期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
通过半监督基础模型蒸馏训练学生专家
机构 * Texas A&M University（德克萨斯农工大学）
AI总结 本文提出半监督知识蒸馏框架，利用有限标注和大量未标注数据压缩预训练视觉基础模型，提升实例分割性能，通过对比学习和多目标损失提升学生模型效果。
Comments Accepted to the 2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 14 pages, 9 figures
活动取证：一种全面的基准，用于定位视频中的篡改活动
机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院） ； School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics（江西财经大学计算机与人工智能学院） ； Jiangxi Provincial Key Laboratory of Multimedia Intelligent Processing（江西省多媒体智能处理重点实验室） ； Faculty of Engineering, Shenzhen MSU-BIT University（深圳北理莫斯科大学工程系） ； VinUniversity
AI总结 本文提出ActivityForensics基准，用于定位视频中被篡改的活动。该基准包含6000多个无缝融合的篡改视频片段，并引入了Temporal Artifact Diffuser方法，评估了多种最先进的伪造定位器。
Comments [CVPR 2026] The first benchmark for action-level deepfake localization
InCaRPose：车内相对相机姿态估计模型与数据集
机构 * University of Wuppertal（伍珀塔尔大学） ； Aptiv（Aptiv公司）
AI总结 本文提出InCaRPose模型，基于Transformer架构实现车内环境下高精度相机姿态估计，通过合成数据训练实现对鱼眼镜头畸变的鲁棒性，并在7-Scenes数据集上表现优异。
Comments Accepted at the CVPR 2026 Workshop on Autonomous Driving (WAD)
重新思考位置嵌入作为多参考和多镜头视频生成的上下文控制器
机构 * Wuhan University（武汉大学） ； University of Science and Technology of China（中国科学技术大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Tsinghua University（清华大学）
AI总结 本文提出PoCo方法，通过引入位置嵌入作为额外的上下文控制，解决多参考和多镜头视频生成中参考混淆问题，提升跨镜头一致性和参考保真度。
Comments Accepted to CVPR 2026
CGHair: 基于卡聚类的紧凑高斯发丝重建
机构 * Carnegie Mellon University（卡内基梅隆大学） ； ShanghaiTech University（上海科技大学）
AI总结 本文提出一种紧凑的高保真发丝重建方法，通过卡聚类减少存储和渲染成本，同时保持视觉质量。
Comments Accepted to CVPR 2026. This arXiv version is not the final published version
XSeg：一个大规模X射线违禁品分割基准用于现实世界的安全筛查
机构 * Xi’an Jiaotong University（西安交通大学） ； South China University of Technology（华南理工大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Pazhou Laboratory（琶洲实验室）
AI总结 本文提出XSeg，首个大规模X射线违禁品分割数据集，包含98644张图像和295932个实例掩码，通过自定义数据清洗流程提升数据质量，并引入APSAM模型提升分割性能。
Comments 12 pages, 8 figures, Accepted to CVPR 2026
爱我，爱我的标签：重新思考标签在视觉上下文学习中的提示检索中的作用
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院）
AI总结 本文提出LaPR框架，通过增强标签信息提升视觉上下文学习中提示检索的性能，实验表明其在分割、检测和着色任务中表现优异。
Comments Accepted to CVPR 2026. 10 pages, 5 figures, 3 tables
想象之前聚焦：扩散引导的寄存器增强部分相关视频检索
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Peng Cheng Laboratory（鹏城实验室）
AI总结 本文提出DreamPRVR，通过粗到细的表示学习范式，利用扩散模型生成全局语义寄存器，提升部分相关视频检索的准确性与鲁棒性。
Comments Accepted to CVPR 2026. 15 pages, 7 figures, 3 tables
自然图像自编码器能否为长程动态建模紧凑地编码fMRI体积？
机构 * ECE, Seoul National University（首尔大学电气与计算机工程系） ； IPAI, Seoul National University（首尔大学IPAI研究所） ； BCS, Seoul National University（首尔大学生物与认知科学系） ； Psychology, Seoul National University（首尔大学心理学系） ； ASRI / INMC / AIIS, Seoul National University（首尔大学ASRI/INMC/AIIS研究所）
AI总结 本文提出TABLeT方法，利用预训练的2D自然图像自编码器对fMRI体积进行紧凑编码，以高效建模长程时空动态，优于现有方法并在计算和内存效率上取得显著提升。
Comments CVPR 2026
BlazeFL：快速且确定性的联邦学习仿真
机构 * Institute of Science Tokyo（东京科学大学）
AI总结 BlazeFL通过自由线程共享内存执行和确定性随机数管理，解决了联邦学习仿真中效率与可重复性之间的权衡问题，提升了仿真速度并保持轻量级依赖。
Comments 9 pages, 4 figures. Accepted to the FedVision at CVPR 2026 (CVPRW)
SBF：一种有效的表示方法用于增强基于视频的人体动作识别的骨架
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 本文提出SBF表示方法，通过引入尺度图、人体图和流图来增强骨架信息，提升动作识别精度。
Comments Accepted by ABAW2026 (CVPR Workshop)
RDFace：一种用于罕见疾病面部图像分析的基准数据集，在极端数据稀缺和表型意识合成生成下
机构 * Western University（西安大略大学） ； Concordia University（康考迪亚大学） ； University of Toronto（多伦多大学） ； University of Winnipeg（温尼伯大学）
AI总结 RDFace包含456张儿童面部图像，涵盖103种罕见遗传疾病，旨在开发和评估在低数据条件下高效的人工智能模型，通过合成生成和数据增强提升诊断准确率。
Comments Accepted to CVPR 2026. 8 pages main paper + appendix
ExpressEdit: 在Photoshop中使用扩散模型快速编辑风格化面部表情
机构 * University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 ExpressEdit通过开放源代码的Photoshop插件，实现快速且无伪影的风格化面部表情编辑，结合Liquify等原生功能，提升编辑效率与艺术创作灵活性。
Comments Accepted to CVPR 2026 Workshop on Generative AI for Storytelling (AISTORY)
Banana100: 通过100次迭代图像复制打破NR-IQA度量标准
机构 * University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
AI总结 Banana100通过100次迭代编辑生成28000张退化图像，揭示多轮编辑中图像质量退化问题，发现现有NR-IQA度量标准无法检测严重退化图像，威胁未来模型训练稳定性。
Comments Accepted to CVPR 2026 Workshop on Agentic AI for Visual Media
在CT图像中实现鲁棒的多源新冠检测
机构 * Capstone School Dhaka（达卡顶点学校） ； Carmel High School（卡梅尔高中） ； Clarkstown High School South（克拉克镇南高中） ； University at Albany, State University of New York（纽约州立大学奥尔巴尼分校） ； Purdue University（普渡大学）
AI总结 本文提出多任务学习方法，通过预测新冠诊断和数据源来提高多中心CT图像检测的鲁棒性，实现高F1分数和AUC-ROC值。
Comments 8 pages, 5 figures, 3 tables. Accepted at the 3rd Workshop on New Trends in AI-Generated Media and Security (AIMS) @ CVPR 2026
3D-IDE: 3D隐式深度涌现
机构 * School of Computing, Australian National University（澳大利亚国立大学计算学院） ； School of EECS, The University of Queensland（昆士兰大学电气工程与计算机科学学院） ； FreiNexus ； School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）
AI总结 本文提出3D-IDE方法，通过几何自监督学习实现3D感知的隐式涌现，消除了深度和姿态依赖，提升推理效率和多任务性能。
Comments CVPR 2026 accepted. Project page: https://chushanzhang.github.io/3D-IDE/
超越真实数据：利用图像质量先验进行现实场景图像修复
机构 * Duke University（杜克大学） ； Tsinghua University（清华大学） ； EPFL（瑞士联邦理工学院洛桑分校）
AI总结 本文提出IQPIR框架，通过引入图像质量先验指导图像修复，提升感知质量。方法整合代码本先验，采用Transformer和双分支结构优化修复效果。
Comments Accepted by CVPR 2026
MPDiT：一种多块全局到局部变换器架构用于高效的流匹配和扩散模型
机构 * Rutgers University（罗格斯大学）
AI总结 MPDiT通过多块变换器架构在扩散和流匹配模型中实现高效计算，减少50%的GFLOPs消耗同时保持生成性能，改进时间与类别嵌入设计加速训练收敛。
Comments Accepted at CVPR 2026
EI：基于多模态影像的疾病识别早期干预
机构 * Renmin University of China（中国人民大学） ； Beijing Key Laboratory for Intelligent Diagnosis of Fundus Diseases and Drug-Device R&D and Translation（眼底疾病智能诊断与药械研发转化北京市重点实验室）
AI总结 本文提出EI框架，通过早期干预提升多模态影像疾病识别性能，引入MoR方法优化Vision Foundation Models适应，验证了在三个公开数据集上的有效性。
Comments Accepted to CVPR 2026 Findings
全景语言模型：超越拼接的全景场景理解
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Hunan University（湖南大学） ； Shenzhen University（深圳大学） ； UCL（伦敦大学学院）
AI总结 本文提出全景语言模型PLM，通过全景图像实现超越单目视角的综合推理，同时构建包含恶劣全景场景的PanoVQA数据集，开发可插拔的稀疏注意力模块以提升模型处理全景图像的能力。
Comments Accepted by CVPR 2026. Project page: https://github.com/InSAI-Lab/PanoVQA
SCP：视频中的空间因果预测
机构 * National University of Singapore（新加坡国立大学） ； Shenzhen University（深圳大学） ； Sichuan University（四川大学） ； National Tsing Hua University（国立清华大学）
AI总结 本文提出SCP任务，挑战模型超越观察预测空间因果结果，并构建SCP-Bench基准测试，揭示人类与模型性能差距及因果推理局限。
Comments 30 pages, 21 figures, 17 tables, CVPR findings
PALM：通过具身理由推理进行长时间 horizon 肢体操作的进展感知策略学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 PALM通过具身理由推理和子任务进展线索，改进长horizon机器人操作的策略学习，实现91.8%的成功率和更长的任务长度。
Comments CVPR 2026
扩散变换器中空间关系生成的电路机制
机构 * Kempner Institute, Harvard University（哈佛大学肯普纳研究所） ； Harvard University（哈佛大学）
AI总结 研究通过机械可解释性方法探讨扩散变换器如何生成正确空间关系，发现不同文本编码器影响电路机制，随机嵌入通过双阶段电路生成，预训练编码器则通过信息融合生成，两种方法在领域内表现相似但抗扰性不同。
Comments 45 pages, 30 figures, accepted in CVPR 2026
敏捷协商：主观视觉分类的概念协商
机构 * Google Research（谷歌研究院） ； University of Washington（华盛顿大学）
AI总结 本文提出敏捷协商框架，通过迭代协商提升视觉分类的主观概念理解，实验表明其在F1得分和认知效率上优于传统方法。
Journal ref CVPR 2026
VideoCoF：基于时间推理的统一视频编辑
机构 * University of Technology Sydney（悉尼科技大学） ； Zhejiang University（浙江大学） ； HKUST（香港科技大学）
AI总结 VideoCoF通过引入时间推理机制，解决视频编辑中精度与统一性的矛盾，实现无需掩码的精确区域映射和细粒度编辑，验证了方法的高效性与有效性。
Comments Accepted by CVPR 2026, Project Page: https://videocof.github.io/
基于动作的3D功能分割数据生成
机构 * Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） ； University of Trento（特伦托大学） ； TU Wien（维也纳工业大学） ； NVIDIA（英伟达） ； ETH Zurich（苏黎世联邦理工学院） ； MPI for Informatics（马克斯·普朗克信息学研究所） ； Stanford University（斯坦福大学） ； USI Lugano（卢加诺大学）
AI总结 本文提出SynthFun3D，通过动作描述生成3D功能分割数据，解决真实数据稀缺问题，提升3D功能理解性能。
Comments Accepted at CVPR 2026 GenRecon3D workshop. 17 pages, 8 figures, 1 table
常见补全物体在上下文中的内-外场景
机构 * University of Georgia（佐治亚大学）
AI总结 COinCO数据集通过扩散补全技术生成97722张包含上下文一致和不一致场景的图像，用于研究上下文学习，支持细粒度上下文推理、基于上下文的物体预测和增强的假检测。
Comments The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026
链式帧：通过帧感知推理推进多模态大语言模型的视频理解
机构 * New York University（纽约大学） ； EPFL（瑞士联邦理工学院洛桑分校）
AI总结 本文提出一种单阶段视频LLM，通过显式引用相关帧减少推理中的时间不一致性，利用COF-DATA数据集提升视频理解性能，发现合成数据显著提升模型准确率。
Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈