CVPR

Adaptive Confidence Regularization for Multimodal Failure Detection

多模态故障检测的自适应置信度正则化

Moru Liu, Hao Dong, Olga Fink, Mario Trapp

机构 * Technical University of Munich（慕尼黑技术大学） ； ETH Zürich（苏黎世联邦理工学院） ； EPFL（苏黎世联邦理工学院） ； Fraunhofer IKS（弗劳恩霍夫研究所） 纠错

AI总结 本文提出自适应置信度正则化方法，通过检测多模态预测中的置信度退化，提升故障识别的可靠性。

Comments Accepted by CVPR 2026

Rethinking Camera Choice: An Empirical Study on Fisheye Camera Properties in Robotic Manipulation

重新思考相机选择：关于机器人操作中鱼眼相机属性的实证研究

Han Xue, Nan Min, Xiaotong Liu, Wendi Chen, Yuan Fang, Jun Lv, Cewu Lu, Chuan Wen

AI总结 本文通过实证研究发现鱼眼相机在机器人操作中需考虑视场角、环境复杂性和随机尺度增强策略以提升性能。

Comments 22 pages, 15 figures, Accecpted by CVPR 2026

OmniLottie: Generating Vector Animations via Parameterized Lottie Tokens

OmniLottie：通过参数化Lottie令牌生成向量动画

Yiying Yang, Wei Cheng, Sijin Chen, Honghao Fu, Xianfang Zeng, Yujun Cai, Gang Yu, Xingjun Ma

AI总结 OmniLottie通过参数化Lottie令牌生成高质量向量动画，结合多模态指令与大规模数据集提升动画生成能力。

Comments Accepted by CVPR 2026. Project Page: https://openvglab.github.io/OmniLottie/

FluxMem: Adaptive Hierarchical Memory for Streaming Video Understanding

FluxMem: 用于流视频理解的自适应分层内存

Yiweng Xie, Bo He, Junke Wang, Xiangyu Zheng, Ziyi Ye, Zuxuan Wu

机构 * Institute of Trustworthy Embodied AI（可信具身人工智能研究所） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室） ； University of Maryland, College Park（马里兰大学 College Park 分校） 纠错

AI总结 FluxMem通过自适应分层内存压缩技术，在流视频理解中实现了高效处理，提升了实时性能和离线表现。

Comments Accepted at CVPR 2026. Project page: https://yiwengxie.com/FluxMem/

Towards Source-Aware Object Swapping with Initial Noise Perturbation

面向源感知的对象交换的初始噪声扰动

Jiahui Zhan, Xianbing Sun, Xiangnan Zhu, Yikun Ji, Ruitong Liu, Liqing Zhang, Jianfu Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 SourceSwap通过初始噪声扰动实现自监督对象交换，无需额外数据即可实现高质量跨对象对齐和零样本推理。

Comments This paper is accepted by CVPR 2026 Findings

tttLRM: Test-Time Training for Long Context and Autoregressive 3D Reconstruction

tttLRM：面向长上下文和自回归3D重建的测试时间训练

Chen Wang, Hao Tan, Wang Yifan, Zhiqin Chen, Yuheng Liu, Kalyan Sunkavalli, Sai Bi, Lingjie Liu, Yiwei Hu

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Adobe Research（Adobe 研究） ； UCI（加州大学欧文分校） 纠错

AI总结 tttLRM通过测试时间训练实现长上下文自回归3D重建，提升重建质量和收敛速度。

Comments Accepted by CVPR 2026. Project Page: https://cwchenwang.github.io/tttLRM

The Power of Decaying Steps: Enhancing Attack Stability and Transferability for Sign-based Optimizers

衰减步骤的力量：提升基于符号的优化器的攻击稳定性和可迁移性

Wei Tao, Yang Dai, Jincai Huang, Qing Tao

AI总结 本文提出MDCS方法，通过衰减步长提升基于符号优化器的攻击稳定性和可迁移性，理论证明其收敛率最优。

Comments CVPR 2026

BiMotion: B-spline Motion for Text-guided Dynamic 3D Character Generation

BiMotion: B-spline 动作 for 文本引导的动态 3D 人物生成

Miaowei Wang, Qingxuan Yan, Zhi Cao, Yayuan Li, Oisin Mac Aodha, Jason J. Corso, Amir Vaxman

机构 * University of Edinburgh（爱丁堡大学） ； Cornell University（康奈尔大学） ； University of Michigan（密歇根大学） ； Voxel51 纠错

AI总结 BiMotion 通过 B-spline 曲线生成高质量文本引导的动态 3D 人物动作，提升动作生成的表现力和质量。

Comments Accepted to CVPR 2026

Meta-Learning Hyperparameters for Parameter Efficient Fine-Tuning

元学习超参数用于参数高效微调

Zichen Tian, Yaoyao Liu, Qianru Sun

机构 * Singapore Management University（新加坡管理大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 MetaPEFT通过元学习动态调整超参数，提升遥感图像微调的性能和尾部类别准确性。

Comments Accepted by CVPR 2025 (Highlight). Code is available at: https://github.com/doem97/metalora

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025, pp. 23037-23047

Adaptive Spectral Feature Forecasting for Diffusion Sampling Acceleration

自适应频谱特征预测用于扩散采样加速

Jiaqi Han, Juntong Shi, Puheng Li, Haotian Ye, Qiushan Guo, Stefano Ermon

机构 * Stanford University（斯坦福大学） ； ByteDance（字节跳动） 纠错

AI总结 本文提出Spectrum方法，通过切比雪夫多项式近似实现全局长距离特征重用，提升扩散采样速度并保持高质量样本。

Comments CVPR 2026

UniTalking: A Unified Audio-Video Framework for Talking Portrait Generation

UniTalking: 一种统一的音频-视频框架用于说话肖像生成

Hebeizi Li, Zihao Liang, Benyuan Sun, Zihao Yin, Xiao Sha, Chenliang Wang, Yi Yang

机构 * Central Media Technology Institute, Huawei（华为中央媒体技术研究所） ； School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） 纠错

AI总结 UniTalking提出了一种统一的端到端扩散框架，用于生成高质量的语音和唇同步视频，通过多模态Transformer块和个性化语音克隆技术，提升了视觉保真度和训练效率。

Comments Accepted at CVPR 2026 (Findings Track)

MixerCSeg: An Efficient Mixer Architecture for Crack Segmentation via Decoupled Mamba Attention

MixerCSeg: 一种高效的Mixer架构用于通过解耦Mamba注意力进行裂缝分割

Zilong Zhao, Zhengming Ding, Pei Niu, Wenhao Sun, Feng Guo

机构 * School of Qilu Transportation, Shandong University, China（山东大学齐鲁交通学院） ； Department of Computer Science, Tulane University, USA（路易斯安那大学计算机科学系） 纠错

AI总结 MixerCSeg通过解耦Mamba注意力机制，高效分割裂缝，实现高精度与低计算开销的平衡。

Comments Accepted by CVPR 2026

FoSS: Modeling Long Range Dependencies and Multimodal Uncertainty in Trajectory Prediction via Fourier State Space Integration

FoSS：通过傅里叶状态空间整合建模长距离依赖性和多模态不确定性在轨迹预测中

Yizhou Huang, Gengze Jiang, Yihua Cheng, Kezhi Wang

机构 * Brunel University of London（伦敦布鲁内尔大学） ； University of Birmingham（伯明翰大学） 纠错

AI总结 FoSS通过结合频域和时域建模，有效提升轨迹预测的准确性和效率，减少计算与参数消耗，实现多模态不确定性建模。

Comments Accepted by CVPR 2026

RnG: A Unified Transformer for Complete 3D Modeling from Partial Observations

RnG：一种统一的Transformer，用于从有限观测中完整建模3D结构

Mochu Xiang, Zhelun Shen, Xuesong Li, Jiahui Ren, Jing Zhang, Chen Zhao, Shanshan Liu, Haocheng Feng, Jingdong Wang, Yuchao Dai

机构 * Northwestern Polytechnical University（西北工业大学） ； Baidu Inc.（百度公司） ； Australian National University（澳大利亚国立大学） ； CSIRO（澳大利亚联邦科学与工业研究组织） 纠错

AI总结 RnG提出了一种统一的Transformer模型，通过隐式3D表示实现从有限观测中完整重建3D结构并生成新视角。

Comments Accepted to CVPR 2026

BeautyGRPO: Aesthetic Alignment for Face Retouching via Dynamic Path Guidance and Fine-Grained Preference Modeling

BeautyGRPO: 通过动态路径引导和细粒度偏好建模实现面部修饰的美观对齐

Jiachen Yang, Xianhui Lin, Yi Dong, Zebiao Zheng, Xing Liu, Hong Gu, Yanmei Fang

机构 * School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University, China（中山大学计算机科学与技术学院，深圳校区） ； vivo BlueImage Lab, vivo Mobile Communication Co., Ltd., China（vivo蓝影实验室，vivo移动通信有限公司） 纠错

AI总结 BeautyGRPO通过动态路径引导和细粒度偏好建模，解决面部修饰中保真度与审美偏好对齐的难题，实现更高质量的图像编辑效果。

Comments Accepted by CVPR 2026

Beyond Global Similarity: Towards Fine-Grained, Multi-Condition Multimodal Retrieval

超越全局相似性：面向细粒度、多条件多模态检索

Xuan Lu, Kangle Li, Haohang Huang, Rui Meng, Wenjun Zeng, Xiaoyu Shen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Institute of Digital Twin, Eastern Institute of Technology（数字孪生研究院，东部技术研究所） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative（宁波空间智能与数字衍生关键实验室） 纠错

AI总结 MCMR提出一个多条件多模态检索基准，通过细粒度多模态检索评估模型在复杂查询中的条件感知推理能力。

Comments Accepted by CVPR 2026

StructXLIP: Enhancing Vision-language Models with Multimodal Structural Cues

StructXLIP: 通过多模态结构线索增强视觉-语言模型

Zanxi Ruan, Songqun Gao, Qiuyu Kong, Yiming Wang, Marco Cristani

AI总结 StructXLIP通过引入多模态结构线索提升视觉-语言模型的跨模态检索性能。

Comments Accepted by CVPR 2026

VeCoR -- Velocity Contrastive Regularization for Flow Matching

VeCoR -- 速度对比正则化用于流匹配

Zong-Wei Hong, Jing-lun Li, Lin-Ze Li, Shen Zhang, Yao Tang

机构 * JIIOV Technology（JIIOV技术公司） 纠错

AI总结 VeCoR通过引入速度对比正则化，提升流匹配模型的稳定性与生成质量，尤其在低步数和轻量级设置中表现优异。

Comments Accepted to Findings of CVPR 2026

Mitigating Multimodal Hallucinations via Gradient-based Self-Reflection

通过基于梯度的自我反思缓解多模态幻觉

Shan Wang, Maying Shen, Nadine Chang, Chuong Nguyen, Hongdong Li, Jose M. Alvarez

机构 * NVIDIA ； Australian National University（澳大利亚国立大学） ； Data61, CSIRO（Data61，CSIRO） 纠错

AI总结 本文提出GACD方法，通过梯度分析缓解多模态模型的幻觉问题，提升输出的视觉基础性。

Comments CVPR 2026

Prune2Drive: A Plug-and-Play Framework for Accelerating Vision-Language Models in Autonomous Driving

Prune2Drive: 一种用于自动驾驶中加速视觉-语言模型的即插即用框架

Minhao Xiong, Zichen Wen, Zhuangcheng Gu, Xuyang Liu, Rui Zhang, Hengrui Kang, Jiabing Yang, Junyuan Zhang, Weijia Li, Conghui He, Yafei Wang, Linfeng Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Carnegie Mellon University（卡内基梅隆大学） ； Sichuan University（四川大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 Prune2Drive通过视觉令牌修剪框架在自动驾驶中加速视觉-语言模型，实现显著速度提升和内存节省，性能影响小。

Comments Accepted by CVPR 2026

Do Vision-Language Models Leak What They Learn? Adaptive Token-Weighted Model Inversion Attacks

视觉-语言模型是否会泄露所学内容？基于自适应令牌加权的模型逆向攻击

Ngoc-Bao Nguyen, Sy-Tuyen Ho, Koh Jun Hao, Ngai-Man Cheung

机构 * Singapore University of Technology and Design (SUTD)（新加坡科技设计大学） ； University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 本研究提出SMI-AW攻击方法，揭示视觉-语言模型在隐私泄露方面的脆弱性，通过自适应令牌加权提升图像重建效果，验证了VLMs在敏感领域中的隐私风险。

Comments Accepted to CVPR 2026

VideoFusion: A Spatio-Temporal Collaborative Network for Multi-modal Video Fusion

VideoFusion: 一种用于多模态视频融合的时空协作网络

Linfeng Tang, Yeda Wang, Meiqi Gong, Zizhuo Li, Yuxin Deng, Xunpeng Yi, Chunyu Li, Han Xu, Hao Zhang, Jiayi Ma

机构 * School of Robotics, Wuhan University, Wuhan, China（机器人学院，武汉大学，武汉，中国） ； Electronic Information School, Wuhan University, Wuhan, China（电子信息学院，武汉大学，武汉，中国） ； Southeast University, Nanjing, China（东南大学，南京，中国） 纠错

AI总结 VideoFusion通过时空协作网络实现多模态视频融合，利用跨模态互补性和时间动态性提升视频一致性。

Comments Accepted to CVPR 2026. The dataset and code are available at https://github.com/Linfeng-Tang/VideoFusion

Fed-ADE: Adaptive Learning Rate for Federated Post-adaptation under Distribution Shift

Fed-ADE: 在分布偏移下适应性学习率的联邦后适应

Heewon Park, Mugon Joe, Miru Kim, Kyungjin Im, Minhae Kwon

机构 * Department of Electrical and Computer Engineering, Sungkyunkwan University, Republic of Korea（电气与计算机工程系，成均馆大学，大韩民国） ； Soongsil University, Seoul, Republic of Korea（顺世大学，首尔，大韩民国） 纠错

AI总结 Fed-ADE通过估计分布动态，为联邦学习中的非平稳数据提供自适应学习率，提升模型在分布偏移下的鲁棒性和有效性。

Comments Accepted at CVPR 2026

Spectral Super-Resolution via Adversarial Unfolding and Data-Driven Spectrum Regularization: From Multispectral Satellite Data to NASA Hyperspectral Image

通过对抗展开和数据驱动的光谱正则化实现光谱超分辨率：从多光谱卫星数据到NASA超光谱图像

Si-Sheng Young, Chia-Hsiang Lin

AI总结 本研究提出了一种基于对抗展开和数据驱动光谱正则化的深度学习框架，实现从12到186波段的光谱超分辨率，并统一Sentinel-2数据的空间分辨率至5米。

Comments Accepted by CVPR 2026

VGGT-Det: Mining VGGT Internal Priors for Sensor-Geometry-Free Multi-View Indoor 3D Object Detection

VGGT-Det：挖掘VGGT内部先验用于无传感器几何多视角室内3D目标检测

Yang Cao, Feize Wu, Dave Zhenyu Chen, Yingji Zhong, Lanqing Hong, Dan Xu

机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； Huawei（华为） ； Sun Yat-Sen University（孙中山大学） 纠错

AI总结 VGGT-Det通过整合VGGT编码器和引入AG、QD组件，实现无传感器几何的多视角室内3D目标检测，提升检测性能。

Comments Accepted by CVPR 2026. Code Page: https://github.com/yangcaoai/VGGT-Det-CVPR2026

Solving a Nonlinear Blind Inverse Problem for Tagged MRI with Physics and Deep Generative Priors

求解带标签MRI的非线性盲逆问题：结合物理和深度生成先验

Zhangxing Bian, Shuwen Wei, Samuel W. Remedios, Junyu Chen, Aaron Carass, Blake E. Dewey, Jerry L. Prince

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins School of Medicine（约翰霍普金斯医学院） 纠错

AI总结 本文提出了一种结合物理和深度生成先验的非线性盲逆框架，用于带标签MRI，实现了解剖恢复、高分辨率 cine 图像合成和运动估计的统一处理。

Comments Accepted at CVPR 2026

NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code

NERFIFY：一个将NeRF论文转化为代码的多智能体框架

Seemandhar Jain, Keshav Gupta, Kunal Gupta, Manmohan Chandraker

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 NERFIFY通过多智能体框架将NeRF论文转化为可训练的代码，提升复现效率和质量。

Comments Accepted to CVPR 2026. Project page: https://seemandhar.github.io/NERFIFY/

CoLC: Communication-Efficient Collaborative Perception with LiDAR Completion

CoLC: 通信高效协同感知与激光雷达补全

Yushan Han, Hui Zhang, Qiming Xia, Yi Jin, Yidong Li

机构 * Key Laboratory of Big Data & Artificial Intelligence in Transportation, Ministry of Education（交通运输大数据与人工智能重点实验室，教育部） ； School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院） ； Xiamen University（厦门大学） 纠错

AI总结 CoLC通过激光雷达补全和早期融合技术，在稀疏传输下实现高效协同感知，提升感知与通信的平衡性能。

Comments Accepted by CVPR'26

Exploring Spatiotemporal Feature Propagation for Video-Level Compressive Spectral Reconstruction: Dataset, Model and Benchmark

探索时空特征传播用于视频级压缩光谱重建：数据集、模型和基准

Lijing Cai, Zhan Shi, Chenglong Huang, Jinyao Wu, Qiping Li, Zikang Huo, Linsen Chen, Chongde Zi, Xun Cao

AI总结 本文提出PG-SVRT模型，通过时空特征传播提升视频级压缩光谱重建性能，构建DynaSpec数据集并验证其有效性

Comments Accepted by CVPR 2026

Linking Modality Isolation in Heterogeneous Collaborative Perception

异构协作感知中的模态隔离问题

Changxing Liu, Zichen Chao, Siheng Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanjing University of Science and Technology（南京理工大学） 纠错

AI总结 CodeAlign通过跨模态特征-代码-特征翻译有效解决异构协作感知中的模态隔离问题，显著降低训练参数和通信负载，提升感知性能。

Comments Accepted by CVPR 2026