CVPR

EventHub: Data Factory for Generalizable Event-Based Stereo Networks without Active Sensors

EventHub：无需主动传感器的通用事件基立体网络数据工厂

Luca Bartolomei, Fabio Tosi, Matteo Poggi, Stefano Mattoccia, Guillermo Gallego

机构 * Advanced Research Center on Electronic System (ARCES)（电子系统高级研究中心 (ARCES)） ； TU Berlin, Robotics Institute Germany（柏林工业大学德国机器人研究所） ； Einstein Center Digital Future（爱因斯坦数字未来中心） ； SCIoI Excellence Cluster（SCIoI卓越集群） 纠错

AI总结 EventHub利用标准彩色图像生成代理标注和事件，无需主动传感器的地面真实标注，重新利用先进RGB立体模型处理事件数据，提升立体网络的泛化能力。

Comments CVPR 2026. Project Page: https://bartn8.github.io/eventhub/ Code: https://github.com/bartn8/eventhub

Modulate-and-Map: Crossmodal Feature Mapping with Cross-View Modulation for 3D Anomaly Detection

调制与映射：用于3D异常检测的跨模态特征映射与跨视图调制

Alex Costanzino, Pierluigi Zama Ramirez, Giuseppe Lisanti, Luigi Di Stefano

机构 * CVLab, University of Bologna（博洛尼亚大学CVLab） ； Ca’ Foscari University of Venice（威尼斯大学） 纠错

AI总结 ModMap提出一种多视图多模态框架，通过跨模态特征映射和视图依赖关系建模，实现3D异常检测与分割，采用跨视图训练策略提升异常评分。

Comments Accepted at CVPR Findings 2026

SPAR: Single-Pass Any-Resolution ViT for Open-vocabulary Segmentation

SPAR：单次通过任意分辨率ViT用于开放词汇分割

Naomi Kombol, Ivan Martinović, Siniša Šegvić, Giorgos Tolias

AI总结 SPAR通过单次通过任意分辨率ViT实现高效高分辨率推理，提升开放词汇分割的mIoU性能，无需架构改动或像素级监督。

Comments Accepted to CVPR 2026

Beyond the Fold: Quantifying Split-Level Noise and the Case for Leave-One-Dataset-Out AU Evaluation

超越折叠：量化分层噪声及留一数据集-out AU评估的案例

Saurabh Hinduja, Gurmeet Kaur, Maneesh Bilalpur, Jeffrey Cohn, Shaun Canavan

机构 * CGI Technologies and Solutions Inc（CGI技术与解决方案公司） ； University of Pittsburgh（匹兹堡大学） ； University of South Florida（南佛罗里达大学） 纠错

AI总结 本文探讨了交叉验证中分层噪声的影响，发现其引入了可测量的随机方差，并通过留一数据集-out方法验证了跨数据集鲁棒性，指出交叉折叠验证的提升可能源于协议方差。

Comments CVPR 2026

GroundVTS: Visual Token Sampling in Multimodal Large Language Models for Video Temporal Grounding

GroundVTS：多模态大语言模型中的视频时间定位视觉标记采样

Rong Fan, Kaiyan Xiao, Minghao Zhu, Liuyi Wang, Kai Dai, Zhao Yang

机构 * Newcapec AI Research（新开普人工智能研究院） ； Fudan University（复旦大学） ； Tongji University（同济大学） 纠错

AI总结 本文提出GroundVTS，通过细粒度查询引导机制筛选视觉标记，提升视频时间定位的时空信息保留与时间连贯性，实验表明其在三个标准基准上优于现有方法。

Comments Published as a conference paper at CVPR 2026

PAM: A Pose-Appearance-Motion Engine for Sim-to-Real HOI Video Generation

PAM：一种用于仿真到现实手-物体互动视频生成的姿态-外观-运动引擎

Mingju Gao, Kaisen Yang, Huan-ang Gao, Bohan Li, Ao Ding, Wenyi Li, Yangcheng Yu, Jinkun Liu, Shaocong Xu, Yike Niu, Haohan Chi, Hao Chen, Hao Tang, Yu Zhang, Li Yi, Hao Zhao

机构 * Peking University（北京大学） ； Tsinghua University（清华大学） ； BAAI（北京智源人工智能研究院） ； SJTU（上海交通大学） ； Eastern Institute of Technology（东方理工高等研究院） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出PAM引擎，整合姿态、外观和运动生成可控的HOI视频，通过实验验证其在DexYCB和OAKINK2数据集上的性能优势。

Comments Accepted to CVPR 2026 Code: https://github.com/GasaiYU/PAM

HERBench: A Benchmark for Multi-Evidence Integration in Video Question Answering

HERBench：视频问答中多证据整合的基准

Dan Ben-Ami, Gabriele Serussi, Kobi Cohen, Chaim Baskin

机构 * INSIGHT Lab, Ben-Gurion University of the Negev（本-古里安大学 INSIGHT 实验室） ； Ben-Gurion University of the Negev（本-古里安大学） 纠错

AI总结 HERBench通过要求至少三个非重叠视频片段线索，推动视频问答中多证据整合的研究，评估13种最新视频大语言模型，发现其准确率仅31-42%，揭示检索与融合两大瓶颈。

Comments Accepted to CVPR 2026

DeDelayed: Deleting Remote Inference Delay via On-Device Correction

DeDelayed：通过设备端校正删除远程推断延迟

Dan Jacobellis, Mateen Ulhaq, Fabien Racapé, Hyomin Choi, Neeraja J. Yadwadkar

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； InterDigital 纠错

AI总结 本文提出DeDelayed系统，通过设备端与远程模型协同推断，降低视频处理延迟，提升实时视频分割性能。

Comments CVPR 2026

Mining Instance-Centric Vision-Language Contexts for Human-Object Interaction Detection

挖掘实例导向的视觉-语言上下文以实现人-物交互检测

Soo Won Seo, KyungChae Lee, Hyungchan Cho, Taein Son, Nam Ik Cho, Jun Won Choi

机构 * Seoul National University（首尔国立大学） ； Hanyang University（汉阳大学） 纠错

AI总结 本文提出InCoM-Net框架，通过整合VLM提取的语义知识与实例特征，提升人-物交互检测的交互推理能力，实验表明其在HICO-DET和V-COCO基准上达到最优性能。

Comments Accepted to CVPR 2026. Code: https://github.com/nowuss/InCoM-Net

IndoorCrowd: A Multi-Scene Dataset for Human Detection, Segmentation, and Tracking with an Automated Annotation Pipeline

IndoorCrowd: 一个用于人体检测、分割和跟踪的多场景数据集及自动化标注流水线

Sebastian-Ion Nae, Radu Moldoveanu, Alexandra Stefania Ghita, Adina Magda Florea

机构 * National University of Science and Technology Politehnica Bucharest（布加勒斯特理工大学国家科学技术大学） ； Expleo 纠错

AI总结 IndoorCrowd数据集通过多场景采集，提供人体检测、实例分割和多目标跟踪的基准，包含31个视频和自动化标注工具的评估结果，揭示了人群密度、尺度和遮挡对任务的影响。

Comments Accepted at Conference on Computer Vision and Pattern Recognition Workshops 2026

Ego-Grounding for Personalized Question-Answering in Egocentric Videos

面向第一视角视频的个性化问答中的自我定位

Junbin Xiao, Shenglang Zhang, Pengxiang Zhu, Angela Yao

机构 * 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） 纠错

AI总结 本文提出MyEgo数据集，用于评估多模态大语言模型在需要自我定位的个性化问答中的能力，发现现有模型在自我记忆和推理方面存在显著不足。

Comments To appear at CVPR'26

Low-Effort Jailbreak Attacks Against Text-to-Image Safety Filters

低努力对抗攻击针对文本到图像安全过滤器

Ahmed B Mustafa, Zihan Ye, Yang Lu, Michael P Pound, Shreyank N Gowda

机构 * University of Nottingham（诺丁汉大学） ； Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； Xiamen University（厦门大学） 纠错

AI总结 研究揭示文本到图像模型易受低努力对抗攻击影响，通过提示策略绕过安全过滤，展示多种视觉对抗技术，揭示表面提示过滤与深层语义理解的差距，攻击成功率高达74.47%。

Comments Text-to-Image version of the Anyone can Jailbreak paper. Accepted in CVPR-W AIMS 2026

PTC-Depth: Pose-Refined Monocular Depth Estimation with Temporal Consistency

PTC-Depth：基于姿态优化的单目深度估计与时间一致性

Leezy Han, Seunggyu Kim, Dongseok Shim, Hyeonbeom Lee

机构 * Ajou University（亚洲大学） ； Sony Creative AI Lab（索尼创意AI实验室） 纠错

AI总结 本文提出PTC-Depth框架，通过轮式里程计实现稳定深度估计，结合光流三角化估计相机姿态和稀疏深度，利用递归贝叶斯估计修正尺度，提升深度预测的准确性和一致性。

Comments Accepted at CVPR 2026

GardenDesigner: Encoding Aesthetic Principles into Jiangnan Garden Construction via a Chain of Agents

GardenDesigner: 通过一系列智能体编码美学原则以指导江南园林建设

Mengtian Li, Fan Yang, Ruixue Xiong, Yiyan Fan, Zhifeng Xie, Zeyu Wang

机构 * Shanghai University（上海大学） ； Shanghai Engineering Research Center of Motion Picture Special Effects（上海电影特效工程技术研究中心） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 本文提出GardenDesigner框架，通过智能体链编码江南园林建设的美学原则，结合地形分布和道路生成代理，实现快速生成多样化且美观的江南园林。

Comments CVPR 2026, Project page: https://monad-cube.github.io/GardenDesigner

Ultrasound-CLIP: Semantic-Aware Contrastive Pre-training for Ultrasound Image-Text Understanding

超声-CLIP：面向超声图像-文本理解的语义感知对比预训练

Jiayun Jin, Haolong Chai, Xueying Huang, Xiaoqing Guo, Zengwei Zheng, Zhan Zhou, Junmei Wang, Xinyu Wang, Jie Liu, Binbin Zhou

机构 * Hangzhou City University（杭州城市大学） ； Hong Kong Baptist University（香港浸会大学） ； Zhejiang University（浙江大学） ； The First Affiliated Hospital, Zhejiang University School of Medicine（浙江大学医学院附属第一医院） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 本文提出超声-CLIP，通过构建US-365K数据集和UDT知识框架，引入语义软标签和损失函数，提升超声图像与文本的语义对比学习效果，实现分类和检索的SOTA性能。

Comments Accepted by CVPR 2026

DynaVid: Learning to Generate Highly Dynamic Videos using Synthetic Motion Data

DynaVid: 通过合成运动数据学习生成高度动态视频

Wonjoon Jin, Jiyun Won, Janghyeok Han, Qi Dai, Chong Luo, Seung-Hwan Baek, Sunghyun Cho

机构 * POSTECH（浦项科技大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 DynaVid通过合成运动数据训练视频合成框架，解决动态视频生成中真实数据不足的问题，采用两阶段生成方法提升动态运动和摄像机运动的现实感与可控性。

Comments Accepted to CVPR 2026. Website: https://jinwonjoon.github.io/DynaVid/

CRIT: Graph-Based Automatic Data Synthesis to Enhance Cross-Modal Multi-Hop Reasoning

CRIT: 基于图的自动数据合成以增强跨模态多跳推理

Junyoung Sung, Seungwoo Lyu, Minjun Kim, Sumin An, Arsha Nagrani, Paul Hongsuck Seo

机构 * Dept. of CSE, Korea University（高丽大学计算机科学与工程系） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 CRIT通过图基自动管道生成复杂跨模态推理任务，提升多跳推理能力，实验表明先进模型在该任务上表现欠佳，训练于CRIT的模型在SPIQA等基准上显著提升。

Comments Accepted to CVPR 2026

F3DGS: Federated 3D Gaussian Splatting for Decentralized Multi-Agent World Modeling

F3DGS：联邦3D高斯点云用于去中心化多智能体世界建模

Morui Zhu, Mohammad Dehghani Tezerjani, Mátyás Szántó, Márton Vaitkus, Song Fu, Qing Yang

机构 * University of North Texas（北德克萨斯大学） ； Budapest University of Technology and Economics（布达佩斯技术与经济大学） 纠错

AI总结 F3DGS通过联邦学习实现去中心化多智能体3D重建，利用共享几何框架和可见性感知聚合解决部分观测问题，实现分布式优化。

Comments Accepted to the CVPR 2026 SPAR-3D Workshop

MM-ReCoder: Advancing Chart-to-Code Generation with Reinforcement Learning and Self-Correction

MM-ReCoder：通过强化学习和自我校正推进图表到代码生成

Zitian Tang, Xu Zhang, Jianbo Yuan, Yang Zou, Varad Gunjal, Songyao Jiang, Davide Modolo

机构 * Brown University（布朗大学） ； Amazon AGI（亚马逊AGI） 纠错

AI总结 MM-ReCoder通过强化学习和自我校正机制提升图表到代码生成能力，其两阶段多轮自我校正策略基于Group Relative Policy Optimization，提升代码准确性和可执行性。

Comments CVPR 2026

SHOE: Semantic HOI Open-Vocabulary Evaluation Metric

SHOE：语义HOI开放词汇评估度量

Maja Noack, Qinqian Lei, Taipeng Tian, Bihan Dong, Robby T. Tan, Yixin Chen, John Young, Saijun Zhang, Bo Wang

机构 * University of Mississippi（密西西比大学） ； National University of Singapore（新加坡国立大学） ； Independent Researcher（独立研究员） ； ASUS Intelligent Cloud Services (AICS)（华硕智能云服务（AICS）） 纠错

AI总结 本文提出SHOE评估框架，通过结合预测与真实HOI标签的语义相似性，改进开放词汇HOI检测的评估方法，实验表明其与人类判断一致率达85.73%。

Comments Accepted to GRAIL-V Workshop at CVPR 2026

Boosting Vision-Language-Action Finetuning with Feasible Action Neighborhood Prior

通过可行动作邻域先验提升视觉-语言-动作微调

Haochen Niu, Kanyu Zhang, Shuyu Yin, Qinghai Guo, Peilin Liu, Fei Wen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei Technologies（华为技术有限公司） 纠错

AI总结 本文提出FAN引导正则化方法，通过调整模型输出分布以匹配FAN几何特性，提升VLA适应的样本效率和泛化能力。

Comments Accepted by CVPR 2026

Prime Once, then Reprogram Locally: An Efficient Alternative to Black-Box Service Model Adaptation

一次优先，然后局部重新编程：一种高效替代黑盒服务模型适应的方法

Yunbei Zhang, Chengyi Cai, Feng Liu, Jihun Hamm

机构 * Tulane University（杜兰大学） ； University of Melbourne（墨尔本大学） 纠错

AI总结 本文提出AReS方法，通过一次交互预训练局部编码器，减少API调用成本，提升现代闭盒模型的适应性能。

Comments CVPR 2026

Efficient Equivariant Transformer for Self-Driving Agent Modeling

高效等价变换器用于自动驾驶代理建模

Scott Xu, Dian Chen, Kelvin Wong, Chris Zhang, Kion Fallah, Raquel Urtasun

机构 * Waabi ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出DriveGATr，一种基于变换器的架构，通过多向量在2D投影几何代数中建模几何关系，实现SE(2)-等价性，无需显式成对相对位置编码，提升大规模场景下的效率。

Comments CVPR 2026

EgoFlow: Gradient-Guided Flow Matching for Egocentric 6DoF Object Motion Generation

EgoFlow：基于梯度的流匹配用于第一人称6自由度物体运动生成

Abhishek Saroha, Huajian Zeng, Xingxing Zuo, Daniel Cremers, Xi Wang

机构 * TU München（慕尼黑工业大学） ； MCML（慕尼黑机器学习中心） ； ETH Zürich（苏黎世联邦理工学院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出EgoFlow，通过多模态第一人称观察生成物理合理的物体运动轨迹，结合Mamba-Transformer-Perceiver架构和梯度引导推理，提升运动生成的准确性和物理真实性。

Comments CVPR 2026: https://abhi-rf.github.io/egoflow/

MaskAdapt: Learning Flexible Motion Adaptation via Mask-Invariant Prior for Physics-Based Characters

MaskAdapt：通过mask不变先验实现灵活的运动适应

Soomin Park, Eunseong Lee, Kwang Bin Lee, Sung-Hee Lee

机构 * KAIST（韩国科学技术院） 纠错

AI总结 MaskAdapt通过两阶段残差学习框架，结合随机身体部分遮挡和正则化项训练mask不变基础策略，实现物理基人物体的灵活运动适应，展示了运动合成和文本驱动部分目标跟踪的应用。

Comments CVPR 2026

Mind the Hitch: Dynamic Calibration and Articulated Perception for Autonomous Trucks

注意挂钩：面向自动驾驶卡车的动态校准与关节感知

Morui Zhu, Yongqi Zhu, Song Fu, Qing Yang

机构 * University of North Texas（北德克萨斯大学） 纠错

AI总结 本文提出dCAP框架，通过动态校准和关节感知解决自动驾驶卡车中铰接结构带来的挑战，提升3D目标检测精度。

Comments CVPR 2026 camera-ready version (minor revision & supplementary included)

AdaRadar: Rate Adaptive Spectral Compression for Radar-based Perception

AdaRadar: 基于雷达感知的自适应频谱压缩

Jinho Park, Se Young Chun, Mingoo Seok

机构 * Columbia University（哥伦比亚大学） ； Seoul National University（首尔国立大学） 纠错

AI总结 本文提出AdaRadar，通过自适应反馈机制实现雷达数据压缩，动态调整压缩比并利用零阶梯度近似，结合离散余弦变换和量化技术，实现超过100倍的特征尺寸缩减，性能损失仅约1%。

Comments Accepted to CVPR 2026. Project page: https://jp4327.github.io/adaradar/

FluoCLIP: Stain-Aware Focus Quality Assessment in Fluorescence Microscopy

FluoCLIP：荧光显微镜中考虑染色的聚焦质量评估

Hyejin Park, Jiwon Yoon, Sumin Park, Suree Kim, Sinae Jang, Eunsoo Lee, Dongmin Kang, Dongbo Min

机构 * Division of AI and Software, Ewha Womans University（梨花女子大学人工智能与软件学部） ； Bioimaging Data Curation Center (BDCC), Department of Life Science, Ewha Womans University（梨花女子大学生命科学系生物成像数据管理中心） ； Analytical Solution Team, Daesang Corporation（大象集团分析解决方案团队） 纠错

AI总结 本文提出FluoCLIP，一种两阶段视觉-语言框架，用于荧光显微镜中考虑染色的聚焦质量评估，通过显式建模染色依赖的聚焦行为，优于传统方法和最新视觉-语言基线。

Comments Accepted at CVPR 2026, Project Page: https://fluoclip.github.io

EW-DETR: Evolving World Object Detection via Incremental Low-Rank DEtection TRansformer

EW-DETR: 通过增量低秩检测Transformer实现进化世界目标检测

Munish Monga, Vishal Chudasama, Pankaj Wasnik, C. V. Jawahar

机构 * Sony Research India（索尼印度研究院） ； IIIT Hyderabad（海德拉巴国际信息技术学院） 纠错

AI总结 本文提出EW-DETR框架，结合增量学习、领域自适应和未知检测，在无示例约束下实现进化世界目标检测，通过三个协同模块提升性能，实验表明其在Pascal系列和多天气基准上表现优异。

Comments Accepted at CVPR 2026

MuCo: Multi-turn Contrastive Learning for Multimodal Embedding Model

MuCo：多轮对比学习用于多模态嵌入模型

Geonmo Gu, Byeongho Heo, Jaemyung Yu, Jaehui Hwang, Taekyung Kim, Sangmin Lee, HeeJae Jun, Yoohoon Kang, Sangdoo Yun, Dongyoon Han

AI总结 本文提出MuCo，一种基于对话的多轮对比学习框架，通过多轮查询-目标对提升多模态嵌入模型的训练效率和表征一致性。

Comments CVPR 2026 camera-ready; 22 pages