视觉大模型 / VLM

PGT: Procedurally Generated Tasks for improving visual grounding in MLLMs

PGT: 用于提升多模态大语言模型视觉定位的程序化生成任务

Rim Assouel, Amir Bar, Michal Drozdzal, Adriana Romero-Soriano

机构 * Mila - Qu\'ebec AI Institute ； FAIR at Meta Superintelligence Labs ； McGill University ； Canada CIFAR AI Chair 纠错

专题命中 视觉定位与Grounding ：grounding(title,summary_cn)；LLaVA(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI

AI总结 提出程序化生成任务(PGT)框架，通过叠加几何基元生成密集监督信号，解耦视觉定位能力与语义先验，显著提升多模态大语言模型在细粒度理解任务上的表现。

AgroVG: A Large-Scale Multi-Source Benchmark for Agricultural Visual Grounding

AgroVG：一个大规模多源基准用于农业视觉 grounding

Haocheng Li, Juepeng Zheng, Zenghao Yang, Kaiqi Du, Guilong Xiao, Gengmeng Pu, Haohuan Fu, Jianxi Huang

机构 * China Agricultural University（中国农业大学） ； Sun Yat-sen University（中山大学） ； Tianjin University（天津大学） ； Tsinghua University（清华大学） ； Southwest Jiaotong University（西南交通大学） ； National Supercomputing Center in Shenzhen（深圳国家超算中心） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.CV、cs.AI

AI总结 本文提出AgroVG基准，用于评估农业视觉 grounding能力，通过多源数据集和任务特定协议，评估模型在多目标、多实例和无目标场景下的性能，揭示了现有模型在农业视觉 grounding任务中的不足。

Comments 45 pages,12 figures

MLLMs Know When Before Speaking: Revealing and Recovering Temporal Grounding via Attention Cues

MLLMs Know When Before Speaking: Revealing and Recovering Temporal Grounding via Attention Cues

Dazhao Du, Liao Duan, Jian Liu, Tao Han, Yujia Zhang, Eric Liu, Xi Chen, Song Guo

机构 * Hong Kong University of Science and Technology（香港理工大学） ； Xi’an Jiaotong University（西安交通大学） ； Tencent（腾讯） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI

AI总结 本文研究了多模态大语言模型（MLLMs）在视频时间定位中的感知与生成之间的差距，提出了一种推理阶段的读取-再生成框架，通过利用注意力线索来提高时间定位的准确性，从而在三个视频时间定位基准上提升了MiMo-VL-7B、Qwen3-VL-8B和TimeLens-8B的性能。

Comments Project Website: https://ddz16.github.io/mllmsknowwhen.github.io/

GRAIL: Autonomous Concept Grounding for Neuro-Symbolic Reinforcement Learning

GRAIL：自主概念 grounding 用于神经符号强化学习

Hikaru Shindo, Henri Rößler, Quentin Delfosse, Kristian Kersting

机构 * Technical University of Darmstadt（达姆施塔特技术大学） ； Google Intrinsic（谷歌内在） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） ； Centre for Cognitive Science, TU Darmstadt（达姆施塔特技术大学认知科学中心） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.AI、cs.LG

AI总结 GRAIL通过环境交互自主 grounding 关系概念，利用大语言模型提供弱监督，提升在稀疏奖励和概念对齐问题中的性能，实验显示其在Atari游戏中表现优异。

Comments Preprint

Groma: Localized Visual Tokenization for Grounding Multimodal Large Language Models

Chuofan Ma, Yi Jiang, Jiannan Wu, Zehuan Yuan, Xiaojuan Qi

专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(title,abstract)；MLLM(abstract)；分类 cs.CV、cs.AI、cs.LG

UC-VLM: Consistency-Driven Learning for AI-Generated Image Detection with Vision-Language Large Models

UC-VLM：基于一致性驱动学习的视觉语言大模型生成图像检测方法

Lei Tan, Shuwei Li, Mohan Kankanhalli, Robby T. Tan

机构 * National University of Singapore（新加坡国立大学） 纠错

专题命中 视觉定位与Grounding ：VLM(title,title_cn)；分类 cs.CV

AI总结 UC-VLM是仅依赖二元监督的多阶段框架，通过复用真实性标签实现视觉适配与文本生成，在GenImage、Chameleon等数据集上显著提升了AI生成图像检测的准确率。

Comments Accepted by ECCV 2026

Retrieval Grounding Latent Reasoning for Dense Retrieval

用于密集检索的检索 grounding 潜在推理

Gang Zhou, Xiongxi Yu, Hu Tian, Yang Wei, Lu Pan, Ke Zeng, Shibiao Xu, Xiaolong Zheng

机构 * Meituan（美团） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.AI

AI总结 本文提出用于密集检索的 RGLT 框架，结合过程监督蒸馏与检索 grounding 监督优化潜在推理轨迹，在推理密集型检索基准上优于基线且保持高效推理。

ThinkAfford: Affordance-Centric Reasoning for Fine-Grained 3D Grounding in Cluttered Scenes

ThinkAfford：面向杂乱场景中细粒度3D grounding的以可供性为中心的推理

Xinrui Lin, Sha Zhang, Shumin Wang, Zenghuan Zhu, Jiajun Deng, Yanyong Zhang

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.CV

AI总结 该研究提出ThinkAfford模型，通过解耦可供性提议生成与指令推理，结合GRPO优化，在SceneFun3D验证集上的3D grounding指标优于基线方法。

Comments 8 pages, 6 figures

Is Forward Prediction Enough? Physical State Grounding for JEPA World Models

前向预测足够吗？面向JEPA世界模型的物理状态 grounding

Haodong Yan, Jiaguan Zhu, Mingyuan Jia, Ruiqing Yin, Junjie He, Zhide Zhong, Junfeng Li, Jinxuan Lu, Hengtao Li, Tianran Zhang, Jiayi Chen, Wenxuan Song, Wen Chen, Yuxiang Gao, Haoang Li

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； COCO Matrix 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.CV

AI总结 针对JEPA世界模型前向预测未明确物理状态可识别性的问题，提出PSG-JEPA模型，通过训练阶段的两个grounding目标提升性能，在三个评估层面均优于现有基线。

Direct Visual Grounding by Directing Attention of Visual Tokens

通过引导视觉令牌注意力实现直接视觉 grounding

Parsa Esmaeilkhani, Longin Jan Latecki

机构 * Temple University（特拉华大学） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；vision language model(abstract,abstract_cn)；分类 cs.CV

AI总结 该研究针对VLMs中视觉令牌注意力不足的问题，提出KL注意力损失，结合下一个令牌预测损失，在多个视觉任务上取得显著提升，还引入了用于评估VLMs线条追踪能力的新数据集。

Talk2Sensors: 3D Visual Grounding in Autonomous Driving via Sensor-Adaptive Physical Cue Matching

Talk2Sensors：基于传感器自适应物理线索匹配的自动驾驶3D视觉 grounding

Runwei Guan, Di Tian, Ningwei Ouyang, Ruixiao Zhang, Shaofeng Liang, Haocheng Zhao, Lianqing Zheng, Xiaokai Bai, Guotao Wang, Daizong Liu, Henghui Ding, Hui Xiong

机构 * Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）人工智能学域） ； MMLab, CUHK（香港中文大学MMLab） ； School of Transportation Science and Engineering, Harbin Institute of Technology（哈尔滨工业大学交通科学与工程学院） ； School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西交利物浦大学先进技术学院） ； School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院） ； School of Intelligent Manufacturing and Smart Transportation, Suzhou City University（苏州城市学院智能制造与智能交通学院） ； Qingdao University of Science and Technology（青岛科技大学） ； Institute for Math & AI, Wuhan University（武汉大学数学与人工智能研究院） ； Institute of Big Data, Fudan University（复旦大学大数据研究院） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.CV

AI总结 针对现有室外3D视觉 grounding 未充分利用多传感器互补物理属性的问题，提出首个多传感器数据集Talk2Sensors及TSFormer框架，在相关基准上实现了最优性能。

Comments 14 pages, 12 figures

REZE: Recognition-Based Zero-Shot Extraction for Video Temporal Grounding

REZE：基于识别的视频时间定位零样本提取方法

Boyang Li, Chenhui Gou, Jianfei Cai

专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision-language model(abstract,abstract_cn)；VLM(abstract,abstract_cn)；分类 cs.CV

AI总结 该研究提出无训练的REZE方法，通过拆分视频为片段并聚合模型置信度，适配多种VTG任务，在多个数据集上优于现有无训练方法，部分指标超全监督SoTA，还能让旧模型性能接近同家族新模型。

Comments 18 pages, 7 figures, 13 tables. Appendices included

Seeing the Unseen: Towards Training-Free Inspection for Wind Turbine Blades Using Knowledge-Augmented Vision Language Models

看见不可见：基于知识增强视觉语言模型的无训练风机叶片检测方法

Yang Zhang, Qianyu Zhou, Farhad Imani, Jiong Tang

专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision language model(title)；vision-language model(abstract,abstract_cn)；分类 cs.CV

AI总结 该研究提出结合RAG与VLM的零样本风机叶片检测框架，构建多模态知识库，在小样本测试中表现优于基线，为工业检测提供数据高效方案。

Enhancing Part-Level Point Grounding for Any Open-Source MLLMs

增强任意开源多模态大语言模型的部件级点定位能力

Jin-Cheng Jhang, Fu-En Wang, Xin Yang, Nan Qiao, Lu Xia, Min Sun, Cheng-Hao Kuo

机构 * National Tsing Hua University（国立清华大学） ； Amazon（亚马逊） 纠错

专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.CV

AI总结 提出一种通用方法，通过冻结原模型参数并引入Q-Synth模块和注意力到点解码器，为任意开源MLLM赋予精确的2D部件级点定位能力，显著提升部件级定位精度。

Comments CVPR 2026

BusterX: MLLM-Powered AI-Generated Video Forgery Detection and Explanation

BusterX：基于MLLM的AI生成视频伪造检测与解释

Haiquan Wen, Yiwei He, Zhenglin Huang, Tianxiao Li, Zihan Yu, Xingru Huang, Lu Qi, Baoyuan Wu, Xiangtai Li, Guangliang Cheng

机构 * University of Liverpool, UK（利物浦大学） ； Nanyang Technological University, SG（南洋理工大学） ； The Chinese University of Hong Kong, Shenzhen, Guangdong, China（香港中文大学（深圳）） ； Wuhan University（武汉大学） ； Hangzhou Dianzi University（杭州电子科技大学） 纠错

专题命中 视觉定位与Grounding ：MLLM(title,title_cn)；visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV

AI总结 本文提出BusterX，一种基于多模态大语言模型的视频伪造检测系统，通过改进数据集和评估基准，提升检测准确性和解释质量。

DAST: A VLM-LLM Framework for Cross-Interface Anomaly Detection in O-RAN

DAST: 面向O-RAN跨接口异常检测的VLM-LLM框架

Francesco Spinelli, Esteban Municio, Pau Baguer, Gines Garcia-Aviles, Xavier Costa-Perez

机构 * i2CAT Foundation（i2CAT基金会） ； NEC Laboratories Europe（NEC欧洲实验室） ； ICREA 纠错

专题命中 视觉定位与Grounding ：VLM(title,title_cn)；分类 cs.AI

AI总结 提出DAST，一种零样本多智能体框架，通过VLM→LLM→VLM三级流水线将多变量KPI流转换为视觉表示，结合领域知识进行跨接口异常检测，在真实O-RAN测试平台上优于现有TSAD方法。

Comments 7 pages, 5 figures. This work has been submitted to the IEEE for possible publication

Semantic Partial Grounding via LLMs

通过大语言模型实现语义部分 grounding

Giuseppe Canonaco, Alberto Pozanco, Daniel Borrajo

机构 * Department of Computer Science, University of Cambridge（剑桥大学计算机科学系） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.AI

AI总结 本文提出SPG-LLM，利用大语言模型分析领域和问题文件，提前识别可能不相关的对象、动作和谓词，从而减少grounding任务的规模，提升grounding效率并在某些领域实现更优的计划成本。

Talk is Cheap, Communication is Hard: Dynamic Grounding Failures and Repair in Multi-Agent Negotiation

言者无罪，沟通艰难：多智能体谈判中的动态 grounding 故障与修复

Yiheng Yao, Chelsea Zou, Robert D. Hawkins

机构 * Stanford University（斯坦福大学） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.AI

AI总结 本文研究多智能体谈判中动态 grounding 的故障与修复，通过多轮谈判游戏揭示四类失败模式，发现协调瓶颈在于动态 grounding 而非个体推理或信息不足。

When Agents Overtrust Environmental Evidence: An Extensible Agentic Framework for Benchmarking Evidence-Grounding Defects in LLM Agents

当智能体过度信任环境证据：一个可扩展的智能体框架，用于基准测试LLM智能体中的证据 grounding 缺陷

Strick Sheng, Ziyue Wang, Liyi Zhou

机构 * The University of Sydney（悉尼大学） ； Nanjing University（南京大学） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.AI

AI总结 本文提出EnvTrustBench框架，用于评估智能体在环境证据过时、错误或恶意时的可靠性问题，通过生成多个任务场景并验证结果，揭示证据 grounding 是智能体可靠性的重要挑战。

Robust Grounding with MLLMs Against Occlusion and Small Objects via Language-Guided Semantic Cues

通过语言引导的语义线索实现对遮挡和小物体的鲁棒接地

Beomchan Park, Seongho Kim, Hyunjun Kim, Sungjune Park, Yong Man Ro

机构 * Integrated Vision Language Lab.（集成视觉语言实验室） 纠错

专题命中 视觉定位与Grounding ：MLLM(summary_cn,abstract)；grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.CV

AI总结 本文提出通过语言引导的语义线索提升MLLM在拥挤场景中的接地能力，通过语义线索提取器和文本嵌入引导优化对象语义，实验表明能有效提高接地精度。

Comments 4 pages, 2 figures, ICASSP 2026

GSAR: Typed Grounding for Hallucination Detection and Recovery in Multi-Agent LLMs

GSAR：多智能体大语言模型中基于类型的 grounding 检测与恢复

Federico A. Kamelhar

机构 * Agentic AI Oracle Corporation（Agentic AI Oracle公司） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.AI

AI总结 GSAR 提出了一种 grounding 评估与规划框架，通过四类分类、证据权重分配、矛盾惩罚评分和三层决策函数，实现多智能体大语言模型中的 hallucination 检测与恢复。

Script-a-Video: Deep Structured Audio-visual Captions via Factorized Streams and Relational Grounding

Script-a-Video: 通过因子化流和关系 grounding 实现深度结构化音频视觉描述

Tencent Hunyuan Team

机构 * Tencent Hunyuan Team（腾讯文言团队） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)；multimodal large language model(abstract)；分类 cs.CV

AI总结 本文提出MTSS框架，通过因子化流和关系 grounding 解决视频描述中信息耦合问题，提升视频理解与生成性能，实验显示在多个基准测试中均取得显著改进。

Grounding LLM Reasoning under Incomplete Graph Evidence

在不完全图证据下 grounding LLM 推理

Jiaqi Li, Fanghui Song

机构 * Tianjin Normal University, College of Computer and Information Engineering（天津师范大学计算机与信息工程学院） ； Harbin Institute of Technology, School of Mathematics（哈尔滨工业大学数学学院） 纠错

专题命中 视觉定位与Grounding ：grounding(title,title_cn)

AI总结 本文提出在不完全知识图谱证据下，通过KL正则化变形LLM先验实现软grounding，并给出稳定性界限，适用于GraphRAG、KGQA等场景。

Comments A theoretical perspective about Grounding LLM Reasoning

Propose and Attend: Training-free MLLM Grounding Confidence via Multi-Token Localized Attention

提出并关注：通过多令牌局部注意力实现无训练的多模态大语言模型接地置信度

Daniel Shalam, Emanuel Ben Baruch, Avi Ben Cohen, Tal Remez

机构 * Amazon（亚马逊） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；MLLM(title,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI

AI总结 研究多模态大语言模型接地置信度问题，提出无训练的多令牌局部注意力（MTLA）方法，通过在声称区域内求和并跨预测令牌聚合恢复更强接地信号，在多模型家族和模态中提升了幻觉AUROC及零样本检测AP。

Vision-driven Preference Synthesis for Mitigating Hallucinations in VLMs

视觉驱动的偏好合成用于缓解VLM中的幻觉

Yunhun Nam, Jongheon Jeong

专题命中 视觉定位与Grounding ：VLM(title_cn,summary_cn)；vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.LG

AI总结 提出ViPSy框架，通过视觉线索构建策略对齐且视觉 grounded 的偏好数据，显著降低VLM幻觉率，在AMBER和Object HalBench上分别降低35.7%和24.5%，并提升通用视觉基准性能。

Comments 29 pages; Code is available at https://github.com/yunpal/ViPSy

Probing Collision Grounding in Vision-Language Models for Safe Human-Robot Collaboration

探索视觉-语言模型中的碰撞接地以实现安全的人机协作

Jun Wang, Xiaohao Xu, Xiaonan Huang

机构 * University of Michigan, Ann Arbor（密歇根大学，安娜堡） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(title,abstract)；VLM(abstract_cn)；分类 cs.CV、cs.AI

AI总结 针对安全人机协作，提出碰撞接地概念及物理基准TouchSafeBench，评估视觉-语言模型在分类当前安全状态和预警即将碰撞任务中的表现，发现现有模型不可靠，视觉流畅性不等于物理责任性。

Comments 31 pages, 9 figures

Transcoders Trace Visual Grounding and Hallucinations in Vision-Language Models

Transcoders 追踪视觉语言模型中的视觉基础与幻觉

Dimitrios Damianos, Leon Voukoutis, Georgios Skyrianos, Vassilis Katsouros, Georgios Paraskevopoulos

机构 * Institute of Language and Speech Processing（语言与语音处理研究所） ； Athena Research Center（雅典研究中心） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(title,abstract)；VLM(abstract_cn)；分类 cs.AI、cs.LG

AI总结 采用基于Transcoders的功能中心框架分解视觉语言模型的计算路径，揭示视觉输入如何影响文本生成，并通过反事实分析和图结构特征预测幻觉。

Think, Act, Build: An Agentic Framework with Vision Language Models for Zero-Shot 3D Visual Grounding

思考、行动、构建：一种基于视觉语言模型的代理框架用于零样本3D视觉定位

Haibo Wang, Zihao Lin, Zhiyang Xu, Lifu Huang

机构 * University of California, Davis（加州大学戴维斯分校） ； Virginia Tech（弗吉尼亚理工大学） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；vision language model(title)；vision-language model(abstract)；VLM(abstract)

AI总结 本文提出TAB框架，通过2D到3D重建范式直接处理原始RGB-D流，利用2D VLMs解析复杂空间语义并结合多视图几何构建3D结构，克服传统方法依赖预处理点云的局限，实验证明其在ScanRefer和Nr3D上优于零样本方法和全监督基线。

HPE-CogVLM: Advancing Vision Language Models with a Head Pose Grounding Task

HPE-CogVLM: 通过头部姿态接地任务提升视觉语言模型

Yu Tian, Tianqi Shao, Tsukasa Demizu, Xuyang Wu, Hsin-Tai Wu

机构 * Docomo Innovations, Inc.（Docomo创新公司） ； Department of Computer Science and Engineering, Santa Clara University（圣克拉拉大学计算机科学与工程系） 纠错

专题命中 视觉定位与Grounding ：vision language model(title,abstract)；grounding(title,abstract)；VLM(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出HPE-CogVLM框架，利用VLM的物体检测能力提升头部姿态估计精度，通过改进的LoRA层合并方法，有效解决融合任务中的响应格式问题，实现优于现有方法的性能。

Comments Accepted by IEEE Transactions on Circuits and Systems for Video Technology (TCSVT), 2026. This version includes major updates in methodology and experiments. The final version is available at IEEE Xplore

Journal ref IEEE Transactions on Circuits and Systems for Video Technology, Early Access, 2026

DiG: Differential Grounding for Enhancing Fine-Grained Perception in Multimodal Large Language Model

DiG：通过差异 grounding 提升多模态大语言模型的细粒度感知

Zhou Tao, Shida Wang, Yongxiang Hua, Haoyu Cao, Linli Xu

机构 * University of Science and Technology of China（中国科学技术大学） ； State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(title,abstract)；visual reasoning(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出DiG框架，通过学习相似图像对的差异识别提升多模态大语言模型的细粒度感知能力，实验表明其在多个视觉感知基准上表现优异。