Enhancing Multimodal Compositional Reasoning of Visual Language Models with Generative Negative Mining
专题命中 视觉推理 ：visual language model(title,abstract)；VLM(abstract)；分类 cs.CV
Comments Accepted to WACV
AI 大模型
视觉大模型 / VLM
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
1. 视觉推理 4484 篇
Natural Language Rationales with Full-Stack Visual Reasoning: From Pixels to Semantic Frames to Commonsense Graphs
专题命中 视觉推理 ：visual reasoning(title,abstract)；visual question answering(abstract)；分类 cs.CV
Comments Accepted to Findings of EMNLP
Transparency by Design: Closing the Gap Between Performance and Interpretability in Visual Reasoning
专题命中 视觉推理 ：visual reasoning(title,abstract)；visual question answering(abstract)；分类 cs.CV
Comments CVPR 2018 pre-print
Spatial Knowledge Distillation to aid Visual Reasoning
专题命中 视觉推理 ：visual reasoning(title,abstract)；visual question answering(abstract)；分类 cs.CV
Comments Equal contribution by first two authors. Accepted in WACV 2019
SPARED: Reasoning-Based AI-Generated Image Detection via Adversarially Edited Data
SPARED：基于推理的AI生成图像检测方法，采用对抗编辑数据
专题命中 视觉推理 ：MLLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出对抗强化学习框架SPARED，通过扩散图像编辑器与推理型MLLM的交替博弈，训练出能抗捷径、泛化能力强的AI生成图像检测器，在三个外部基准上性能单调提升。
Debias in Text, Believe Your Eyes: Text-Anchored Cross-Modal Transfer for Visual Counter-Commonsense Reasoning
文本中的去偏：相信你的视觉：面向视觉反常识推理的文本锚定跨模态迁移
机构 * Ant Group（蚂蚁集团）
专题命中 视觉推理 ：grounding(abstract,abstract_cn)；visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 该研究针对多模态大语言模型视觉反常识推理中语言先验干扰问题，提出文本锚定数据构建流程及后训练框架 TACT，实现无需视觉数据的跨模态去偏，提升模型视觉推理性能。
OPD-V: Visual On-Policy Self-Distillation with Modality Balance
OPD-V：结合模态平衡的视觉在线策略自蒸馏
机构 * National University of Singapore（新加坡国立大学） ； Ludwig Maximilian University of Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Sun Yat-sen University（中山大学）
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 该研究针对多模态大语言模型的模态不平衡问题，提出视觉在线策略自蒸馏范式OPD-V，通过正、负教师模型实现模态平衡，在多基准与骨干上提升推理性能并降低训练成本。
Comments Corrected the uploaded manuscript. Project Page:https://github.com/aniri15/OPD-V
JigShape: Evaluating Visual-Geometric Reasoning in VLMs through Jigsaw Puzzles
JigShape：通过拼图任务评估视觉语言模型的视觉几何推理能力
机构 * University of Southern California（南加州大学） ； National University of Singapore（新加坡国立大学） ； Adobe Research（奥多比研究院） ； Texas A&M University（德克萨斯农工大学） ； Rice University（莱斯大学） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
专题命中 视觉推理 ：VLM(summary_cn,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本研究提出JigShape拼图基准，发现零样本VLM大多缺乏几何推理能力，所有模型在大尺寸拼图上均出现性能崩塌，将可扩展几何推理确立为VLM的开放性挑战。
O-VAD: Industrial Video Anomaly Detection through Object-Centric Tracking and Reasoning
O-VAD：通过以对象为中心的跟踪和推理进行工业视频异常检测
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Griffith University（格里菲斯大学）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 针对工业视频异常检测，现有基于VLM的方法在工业场景中性能不佳的问题，提出无训练的智能框架O-VAD，通过跟踪对象时空动态和推理状态轨迹来检测异常，在多数据集实验中优于多种方法且能提供可解释报告。
Comments Accepted to ECCV 2026
Explaining is Harder Than Predicting Alone: Evaluating Concept-based Explanations of MLLMs as ICL Visual Classifiers
解释比单独预测更难：评估基于概念的MLLM解释作为ICL视觉分类器
专题命中 视觉推理 ：MLLM(title_cn,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文通过五种形式化程度递增的条件，系统评估多模态大语言模型在少样本上下文学习中的基于概念的可解释性，发现解释比预测更难，且强制生成形式化解释会降低预测准确性。
Comments Accepted to the CompLearn Workshop at ICML 2026
TriViewBench: Controlled Complexity Scaling for Multi-View Structural Reasoning in MLLMs
TriViewBench: 多视图结构推理中受控复杂度缩放
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
专题命中 视觉推理 ：visual reasoning(abstract)；visual question answering(abstract)；multimodal large language model(abstract)；MLLM(abstract_cn)
AI总结 提出TriViewBench基准，通过合成3D场景控制物体数量和遮挡，评估18个多模态大模型在多视图推理中的能力层次和性能退化，发现跨视图空间表示是瓶颈。
Comments 26 pages, 8 figures
m2sv: A Scalable Benchmark for Map-to-Street-View Spatial Reasoning
m2sv: 地图到街景空间推理的可扩展基准
机构 * University of Hawai'i at M\=anoa, Honolulu, HI, USA
专题命中 视觉推理 ：VLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 提出m2sv基准，通过匹配朝北俯视图与街景图像推断相机方向，评估VLM空间推理能力；最佳模型准确率65.2%，低于人类72.0%，揭示几何对齐与推理一致性的差距。
Perceive, Interact, Reason: Building Tool-Augmented Visual Agents for Spatial Reasoning
感知、交互、推理：构建工具增强的视觉智能体用于空间推理
机构 * Tsinghua University（清华大学） ； Virginia Tech（弗吉尼亚理工大学） ； NVIDIA（英伟达）
专题命中 视觉推理 ：VLM(summary_cn,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 提出PERIA智能体，通过视觉感知和交互工具增强VLM的空间推理能力，在13个基准上优于同类模型7.0%-14.8%。
Reason, Then Re-reason: Cross-view Revisiting Improves Spatial Reasoning
推理，再推理：跨视角重访提升空间推理
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视觉推理 ：MLLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 提出ReRe框架，通过生成互补新视角视频让MLLM先推理再验证，无需训练即可显著提升空间推理性能。
Comments ICML 2026
MARIC: Multi-Agent Reasoning for Image Classification
MARIC：用于图像分类的多智能体推理
机构 * Enhans, Seoul, South Korea（韩国首尔Enhans） ； Peking University, Beijing, China（中国北京北京大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision language model(abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 提出多智能体框架MARIC，通过分解图像分类为协作推理过程，利用大纲智能体、方面智能体和推理智能体进行多视角分析与综合，在四个基准数据集上显著优于基线方法。
Comments 11 pages, preprint
Can VLMs Unlock Semantic Anomaly Detection? A Framework for Structured Reasoning
VLMs能否解锁语义异常检测？一个结构化推理的框架
机构 * Professorship of Autonomous Vehicle Systems TUM School of Engineering ； Design, Technical University of Munich Munich, Germany
专题命中 视觉推理 ：VLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SAVANT框架，通过结构化推理方法提升VLM在语义异常检测中的性能，实现对自动驾驶场景中罕见异常情况的更准确识别。
Comments 8 pages, 5 figures
Reasoning Portability: Guiding Continual Learning for MLLMs in the RLVR Era
推理可移植性：引导MLLMs在RLVR时代的持续学习
机构 * Shenzhen Graduate School of Peking University（北京大学深圳研究生院） ； Centre for Artificial Intelligence and Robotics, HKISI, CAS（香港科学院人工智能与机器人研究中心） ； Peng Cheng Laboratory（鹏城实验室）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出了一种名为推理可移植性（RP）的机制，通过在持续学习中引入推理层面的约束，改进了多模态大语言模型在RLVR环境下的适应能力，实验表明RDB-CL在提升最后准确率方面优于基线方法。
Empowering VLMs for Few-Shot Multimodal Time Series Classification via Tailored Agentic Reasoning
通过定制代理推理增强VLMs在少样本多模态时间序列分类中的能力
机构 * Sun Yat-sen University（中山大学） ； Xiaomi Corporation（小米公司） ； University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学）
专题命中 视觉推理 ：VLM(summary_cn,abstract)；分类 cs.AI、cs.LG
AI总结 本文提出MarsTSC框架，通过自演化知识库和代理推理提升少样本多模态时间序列分类性能，实验表明其在六个VLM基础上均优于传统和基础模型基线。
Comments 18 pages, 12 figures, 6 tables. Preprint
VLRS-Bench: A Vision-Language Reasoning Benchmark for Remote Sensing
VLRS-Bench: 一种面向遥感的视觉-语言推理基准
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院）
专题命中 视觉推理 ：MLLM(summary_cn,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出VLRS-Bench，首个专注于复杂遥感推理的基准，包含2000个问题-答案对，涵盖14项任务和八个时间阶段，揭示现有MLLM在遥感任务中的瓶颈。
Motion-o: Trajectory-Grounded Video Reasoning
Motion-o：基于轨迹的视频推理
机构 * Northeastern University（东北大学）
专题命中 视觉推理 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 Motion-o通过引入运动链推理，使视频推理模型能够显式且可验证地表示物体运动轨迹，提升动态和轨迹依赖性推理的可监督性。
Thinking Like a Botanist: Challenging Multimodal Language Models with Intent-Driven Chain-of-Inquiry
像植物学家一样思考：用意图驱动的连续询问挑战多模态语言模型
机构 * Department of Robotics and Mechatronics Engineering, University of Dhaka（达卡大学机器人与机电工程系） ； Department of Computer Science and Engineering, University of Dhaka（达卡大学计算机科学与工程系） ； Department of Agronomy, Gazipur Agricultural University（加兹ipur农业大学作物学系） ； Department of Botany, University of Dhaka（达卡大学植物学系）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；grounding(abstract)；multimodal large language model(abstract)
AI总结 本文提出PlantInquiryVQA基准，通过结构化询问提升植物病害诊断准确性，揭示多步意图驱动的视觉推理方法，改进多模态模型的临床推理能力。
Comments Accepted at ACL 2026 Findings
Enhancing Zero-shot Personalized Image Aesthetics Assessment with Profile-aware Multimodal LLM
通过基于资料的多模态大语言模型增强零样本个性化图像审美评估
机构 * Mashang Consumer Finance Co., Ltd.（马莎消费金融有限公司） ； Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 视觉推理 ：MLLM(summary_cn,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出P-MLLM，通过用户资料引导的多模态大语言模型实现零样本个性化图像审美评估，实验表明其在无历史数据情况下表现优异。
mEOL: Training-Free Instruction-Guided Multimodal Embedder for Vector Graphics and Image Retrieval
mEOL：无需训练的指令引导多模态嵌入器用于矢量图形和图像检索
机构 * KAIST（韩国科学技术院） ； POSTECH
专题命中 视觉推理 ：MLLM(abstract,abstract_cn)；visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出无需训练的指令引导多模态嵌入框架，通过多模态大语言模型将文本、位图和SVG代码映射到对齐的嵌入空间，利用模态特定指令和结构化SVG提示实现嵌入方向控制，构建首个文本到SVG检索基准，展示出优于传统基线的性能。
Comments Round 1 early acceptance to WACV 2026, Project page: https://scene-the-ella.github.io/meol
Thinking Diffusion: Penalize and Guide Visual-Grounded Reasoning in Diffusion Multimodal Language Models
Thinking Diffusion: 通过惩罚和引导在扩散多模态语言模型中抑制和引导视觉推理
机构 * Department of Computer Science, Hanyang University（汉阳大学计算机科学系） ； Department of Artificial Intelligence, Hanyang University（汉阳大学人工智能系）
专题命中 视觉推理 ：vision-language model(abstract)；visual reasoning(abstract)；grounding(abstract)；multimodal large language model(abstract)
AI总结 本文针对扩散多模态语言模型在视觉推理中生成过早答案的问题，提出位置与步数惩罚和视觉推理引导方法，提升推理准确率并加快推理速度。
Comments CVPR 2026 - main
RoboStream: Weaving Spatio-Temporal Reasoning with Memory in Vision-Language Models for Robotics
RoboStream: 用记忆融合时空推理提升视觉语言模型在机器人中的应用
机构 * Shenzhen International Graduate School, Tsinghua University（深圳国际研究生院，清华大学） ； YXGN Robotics（YXGN机器人） ； China University of Mining and Technology（中国矿业大学） ； Shenzhen Technology University（深圳技术大学） ； Huazhong University of Science and Technology（华中科技大学） ； Xiamen University（厦门大学）
专题命中 视觉推理 ：vision-language model(title)；VLM(abstract)；grounding(abstract)
AI总结 RoboStream通过时空融合令牌和因果时空图实现持久记忆，解决机器人长时间任务中的几何锚定和状态追踪问题，提升长期任务表现。
Comments Accepted by ECCV 2026
Evaluation of Multilingual Ability to Use Spatial Deictic Expressions in Vision-Language Models
视觉语言模型中使用空间指示表达式的多语言能力评估
机构 * The University of Tokyo（东京大学） ； Riken（理化学研究所） ； Tohoku University（东北大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；grounding(abstract)
AI总结 研究聚焦视觉语言模型的空间推理能力，通过开发基准评估其使用四种语言空间指示表达式的多语言能力，实验发现测试模型使用指示词方式与人类不同，特别是在依距离选指示词方面。
Comments Accepted to ACL SRW 2026
OpenMedReason: Scientific Reasoning Supervision for Medical Vision-Language Models
OpenMedReason: 医学视觉语言模型的科学推理监督
机构 * York University（约克大学） ； Vector Institute（向量研究所） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Toronto（多伦多大学） ； Unity Health Toronto / St. Michael’s Hospital（多伦多联合健康/圣迈克尔医院） ； University Health Network（大学健康网络） ； Arc Institute（弧研究所） ； Queen's University（女王大学）
专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出OpenMedReason，一个包含约45万图像-问题-答案实例的大规模开放医学推理语料库，其推理轨迹主要来自生物医学科学文章，并配套基准OpenMedReason-Bench进行细粒度评估，在监督微调和强化对齐中有效提升模型性能。
Comments 42 pages, 9 figures, 24 tables. Dataset and code: https://huggingface.co/datasets/neginb/OpenMedReason
Imagination Helps Visual Reasoning, But Not Yet in Latent Space
想象力有助于视觉推理，但尚未在潜在空间中实现
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视觉推理 ：visual reasoning(title,abstract)；multimodal large language model(abstract)
AI总结 通过因果中介分析发现，多模态大语言模型中的潜在推理存在输入-潜在和潜在-答案两个关键断连，表明其有效性有限，并提出显式想象方法CapImagine，在视觉推理任务中表现更优。
Comments ICML 2026 Poster
PlanBench-V: A Spatial Planning Map Benchmark for Vision-Language Models
PlanBench-V: 面向视觉语言模型的空间规划地图基准
机构 * Behavioral and Spatial AI Lab（行为与空间人工智能实验室） ； Tongji University（同济大学） ； Peking University（北京大学） ； College of Architecture and Urban Planning（建筑与城市规划学院）
专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract_cn)
AI总结 为评估视觉语言模型在空间规划地图解读中的能力，构建了专家标注数据集SPMD，并提出基于感知、推理、关联、实施四阶段认知框架的基准PlanBench-V，实验表明当前模型在实施类任务上存在显著局限。
Task-Aware Bimanual Affordance Prediction via VLM-Guided Semantic-Geometric Reasoning
基于VLM引导的语义-几何推理的任务感知双臂 affordance 预测
机构 * Department of Computer Science, Technical University of Darmstadt（达姆施塔特工业大学计算机科学系） ； German Research Center for AI (DFKI)（德国人工智能研究中心） ； Centre for Cognitive Science, Technical University of Darmstadt（达姆施塔特工业大学认知科学中心） ； Hessian Center for Artificial Intelligence (Hessian.AI), Darmstadt（黑森州人工智能中心） ； Robotics Institute Germany (RIG)（德国机器人研究所）
专题命中 视觉推理 ：VLM(title,abstract)；vision-language model(abstract)
AI总结 本文提出一种任务感知双臂 affordance 预测框架，通过VLM实现跨物体类别和任务描述的泛化，融合多视角RGB-D数据生成全局6自由度抓取候选，结合语义和几何过滤提升任务成功率。
