期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
SemLT3D: 基于语义的专家蒸馏用于仅相机的长尾3D目标检测
机构 * AICV Lab, University of Arkansas, USA（AICV实验室，阿肯色大学，美国） ； University of Utah, USA（犹他大学，美国） ； University of Houston, USA（休斯顿大学，美国） ； University of Liverpool, UK（利物浦大学，英国）
AI总结 针对仅相机3D目标检测中长尾不平衡问题，提出SemLT3D框架，通过语义先验增强稀有类别表示，结合语言引导的专家混合模块和语义投影蒸馏流程，提升模型对长尾分布和复杂场景的识别能力。
Comments CVPR 2026
AdaCluster：用于视频生成中稀疏注意力的自适应查询-键聚类
机构 * University of Science and Technology of China（中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） ； Independent Researcher（独立研究员） ； University of Macau（澳门大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 针对视频扩散变换器的高推理延迟问题，提出AdaCluster框架，通过自适应聚类方法提升生成速度并保持精度。
Comments CVPR 2026 poster
MARCO：导航语义对应未知空间
机构 * Politecnico di Torino（都灵理工大学） ； TU Darmstadt（德累斯顿理工大学） ； ELIZA
AI总结 MARCO通过新颖的训练框架提升语义对应泛化能力，在多个数据集上取得新突破，同时更高效且更小。
Comments CVPR 2026 Oral. Project page: https://visinf.github.io/MARCO/
基于几何的3D视觉标记修剪用于视频-语言模型
机构 * Beihang University（北京航空航天大学）
AI总结 本文提出Geo3DPruner框架，通过几何感知全局注意力建模跨帧相关性，并采用两阶段修剪过程，保留90%的视觉标记同时保持90%原始性能，优于现有文本引导和视觉引导修剪方法。
Comments Accepted by CVPR 2026
基于延迟反馈的测试时扰动学习用于视觉-语言-动作模型
机构 * Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所） ； National Defense University（国防大学）
AI总结 本文提出PDF框架，通过不确定性数据增强和动作投票缓解轨迹过拟合，提升决策性能，实验显示在LIBERO和Atari任务中取得显著成效。
Comments 12 pages, 7 figures, 5 tables
Journal ref CVPR 2026 Poster
通过动态前缀加权增强视觉-语言模型的持续学习
机构 * Yonsei University（延世大学）
AI总结 本文提出动态前缀加权框架，通过动态调整前缀权重和适配器机制，提升视觉-语言模型在领域-类别增量学习中的性能。
Comments CVPR 2026; revised text and figures for improved readability
MU-GeNeRF：多视角不确定性引导的可泛化神经辐射场用于干扰感知场景
机构 * School of Computer Science and Technology, Tongji University, Shanghai, China（同济大学计算机科学与技术学院，上海，中国） ； MOE Key Lab of Embedded System and Service Computing, Tongji University, Shanghai, China（同济大学嵌入式系统与服务计算MOE重点实验室，上海，中国） ； College of Surveying and Geographic Informatics, Tongji University, Shanghai, China（同济大学测绘地理信息学院，上海，中国）
AI总结 本文提出MU-GeNeRF，通过多视角不确定性组件提升神经辐射场在存在瞬时干扰时的鲁棒性，实验表明其在场景重建中优于现有方法。
Comments Accepted by CVPR 2026
PCM-NeRF：在姿态不确定性下基于概率的相机建模用于神经辐射场
机构 * Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； University of Amsterdam（阿姆斯特丹大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
AI总结 PCM-NeRF通过引入可学习的不确定性来增强神经表面重建，利用概率分布建模相机姿态，有效应对姿态估计不准确的问题，提升重建精度。
Comments CVPR-W 2026 (GenRec3D)
AvatarPointillist: 基于自回归的4D高斯虚拟角色生成
机构 * HKUST（香港科技大学） ； Ant Group（蚂蚁集团） ； City University of Hong Kong（香港城市大学）
AI总结 本文提出AvatarPointillist框架，通过自回归Transformer生成动态4D高斯虚拟角色，结合点云生成与高斯点散射，实现高精度、可控制的虚拟角色生成。
Comments Accepted by the CVPR 2026 main conference. Project page: https://kumapowerliu.github.io/AvatarPointillist/
ViT$^3$：解锁视觉中的测试时间训练
机构 * Tsinghua University（清华大学） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出ViT$^3$，一种线性复杂度的纯测试时间训练模型，通过系统研究揭示了视觉序列建模中TTT设计的六个实用原则，并在多个视觉任务中验证其性能。
Comments CVPR 2026, oral
理解大语言和视觉-语言模型中的计数机制
机构 * Sharif University of Technology（谢里夫大学）
AI总结 本文研究大语言和视觉-语言模型在计数任务中如何表示和计算数值信息，通过实验和分析揭示了计数机制的分层结构及内部计数器的作用。
Comments Accepted to CVPR 2026
OmniZip：面向快速多模态大语言模型的音频引导动态令牌压缩
机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Ant Group（蚂蚁集团） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 本文提出OmniZip，一种无需训练的音频引导多模态令牌压缩框架，通过动态压缩音频视频令牌提升推理速度和内存效率，保持模型性能。
Comments [CVPR 2026] Code Link: https://github.com/KD-TAO/OmniZip
EmoVerse：一种基于大语言模型的emotion表示数据集用于可解释的视觉emotion分析
机构 * University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出EmoVerse数据集，通过多层知识图谱注释实现可解释的视觉情绪分析，包含219k张图像和双注释，提供离散和连续情绪表示，结合新颖的多阶段流程和可解释模型推动高阶情绪理解。
Comments 11 pages, 7 figures. This is a preprint version of a paper submitted to CVPR 2026
VIDEOP2R：从感知到推理的视频理解
机构 * USC（USC大学） ； Amazon（亚马逊） ； Keystone AI
AI总结 VIDEOP2R提出一种过程感知的视频RFT框架，通过三步流程生成高质量CoT数据集，并引入PA-GRPO算法提升视频推理性能，实现在七个基准中的六个达到SotA水平。
Comments CVPR Findings 2026
SHRUG-FM：面向地球观测的可靠性感知基础模型
机构 * Universitat de València（瓦伦西亚大学） ； Wageningen University & Research（瓦赫宁根大学与研究所） ； Delft University of Technology（代尔夫特理工大学） ； European Space Agency（欧洲航天局） ； Heidelberg University（海德堡大学） ； Ghent University（根特大学） ； University of Oxford（牛津大学） ； Google Research（谷歌研究）
AI总结 本文提出SHRUG-FM框架，通过整合三种互补信号提升地球观测基础模型的可靠性，实验证明其在高风险任务中有效降低预测风险。
Comments Accepted for proceedings at CVPR EarthVision 2026
用于长视频理解的视频面板
机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
AI总结 本文提出一种无需训练的视觉提示策略，通过将多帧组合成图像以换取时间分辨率，提升了长视频理解模型的性能，实验表明在多个基准上效果显著。
Comments CVPR 2026
StableMTL: 利用潜在扩散模型重新利用多任务学习于部分标注的合成数据集
机构 * Inria（法国国家科研机构）
AI总结 本文提出StableMTL，通过利用扩散模型的泛化能力，在部分标注的合成数据集上进行多任务学习，采用统一的潜在损失和多流模型促进任务间协同，优于基线模型。
Comments Accepted at CVPR 2026. Code is at https://github.com/astra-vision/StableMTL
SVGDreamer：基于扩散模型的文本引导SVG生成
机构 * Beihang University（北航） ； The University of Hong Kong（香港大学）
AI总结 SVGDreamer提出一种基于扩散模型的文本引导SVG生成方法，通过引入语义驱动的图像向量化过程和向量粒子基于的分数蒸馏技术，提升生成的可编辑性、视觉质量和多样性。
Comments Accepted by CVPR 2024. Project Page: https://ximinng.github.io/SVGDreamer-project/
AnyLift: 通过2D扩散模型从互联网视频中扩展运动重建
机构 * Stanford University（斯坦福大学）
AI总结 本文提出AnyLift框架，利用2D扩散模型从互联网视频中重建3D人体运动和人-物交互，通过合成多视角2D运动数据和训练相机条件多视角2D运动扩散模型，提升动态摄像下运动重建的准确性和鲁棒性。
Comments CVPR 2026. Project website: https://awfuact.github.io/anylift/ The first two authors contribute equally
PBSBench：一种多级视觉-语言框架和血液病理学全滑片图像解释基准
机构 * The Ohio State University（俄亥俄州立大学） ； The Ohio State University Wexner Medical Center（俄亥俄州立大学韦克斯纳医学中心）
AI总结 本文提出PBSBench，一种针对血液病理学全滑片图像解释的多级视觉-语言框架和基准，通过构建PBSInstr数据集和PBS-VL模型，提升了对血涂片图像的理解能力。
Comments 19 pages, 12 figures, Accepted by CVPR Findings 2026
从适应到泛化：面向医学图像分割的自适应视觉提示
机构 * Technical University of Munich（慕尼黑技术大学） ； Korea University（韩国大学） ； Kyung Hee University（庆熙大学） ； Seoul National University of Science and Technology（首尔科学技术大学）
AI总结 本文提出APEX框架，通过学习可微的提示记忆来提取输入特定的提示，以提升医学图像分割在跨域和内域变化中的泛化能力。
Comments CVPR 2026 Findings
深度自适应高效视觉自回归建模
机构 * Beijing Institute of Technology（北京理工大学）
AI总结 本文提出DepthVAR，通过自适应分配每个token的计算深度，提升高分辨率图像生成效率，实验表明在质量损失小的情况下实现2.3-3.1倍加速。
Comments Accepted to CVPR 2026 Findings
LookasideVLN: 基于方向的空中视觉与语言导航
机构 * Sun Yat-sen University（中山大学） ； Peng Cheng Laboratory（鹏城实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Centre for Perceptual and Interactive Intelligence（感知与交互智能中心） ； Cardiff University（卡迪夫大学） ； Beihang University（北航） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东大数据分析与处理重点实验室）
AI总结 本文提出LookasideVLN，通过利用自然语言中的方向线索提升空中视觉与语言导航的准确性和效率，采用方向感知图、空间地标知识库和方向MLLM导航代理三种核心组件。
Comments Accepted by CVPR 2026
增强后再平衡模态协作用于鲁棒多模态情感分析
机构 * Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（航天信息安全部门与可信计算教育部重点实验室，网络安全科学与工程学院，武汉大学）
AI总结 本文提出EBMC框架，通过语义解耦和跨模态增强提升表示质量，结合能量引导模态协调机制和实例感知模态信任蒸馏，解决多模态情感分析中的模态不平衡问题，实验显示其在缺失模态情况下表现优异。
Comments Accepted by CVPR 2026
QuadSync: 通过Tucker分解进行四焦点张量同步
机构 * School of Mathematics, University of Minnesota（明尼苏达大学数学系） ； Department of Mathematics and Oden Institute for Computational Engineering and Sciences, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系和计算工程与科学学院）
AI总结 本文提出通过Tucker分解实现四焦点张量同步的新框架，展示了其在多相机恢复中的有效性，并建立了四焦点、三焦点和二焦点张量之间的关系。
Comments 30 pages, accepted to CVPR 2026 as an Oral Presentation. Complementary code can be found at github.com/dmiao153/QuadSync
注意力空间对比引导用于高效缓解大视觉-语言模型中的幻觉
机构 * Seoul National University（首尔国立大学）
AI总结 本文提出Attention-space Contrastive Guidance方法，通过对比引导生成更视觉一致且语义忠实的文本，实验表明在CHAIR和POPE数据集上提升了忠实度并降低了延迟。
Comments Accepted at CVPR 2026 Findings
BOP-ASK：面向视觉-语言模型的对象交互推理
机构 * New York University（纽约大学） ； NVIDIA（英伟达）
AI总结 本文提出BOP-ASK数据集，用于训练和评估视觉-语言模型的对象交互推理能力，包含15万张图像和3300万对问题答案，涵盖六个任务，验证了模型在复杂环境中的空间推理能力。
Comments Accepted at CVPR 2026. Code, Datasets & Benchmark available at https://bop-ask.github.io/
STCast：面向全球和区域天气预报的自适应边界对齐
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Shanghai AI Laboratory（上海人工智能实验室）
AI总结 STCast提出一种新型AI框架，通过空间对齐注意力机制和时间混合专家模块，实现自适应区域边界优化和动态月度预报分配，提升天气预报的准确性和泛化能力。
Comments This paper has already been accepted by CVPR 2026 (Highlight)
解构皮肤病变数据集中的偏见
机构 * Institute of Computing (IC)（计算学院） ； School of Electrical and Computing Engineering (FEEC)（电气与计算工程学院） ； RECOD Lab.（RECOD实验室） ； University of Campinas (UNICAMP)（坎皮纳斯大学）
AI总结 本文研究皮肤病变数据集中存在的正负偏见，发现模型在无临床信息时仍能高准确率分类，表明存在虚假相关性，而增加临床信息未提升性能，暗示真实相关性被破坏。
Comments 9 pages, 6 figures. Paper accepted at 2019 ISIC Skin Image Anaylsis Workshop @ IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)
EvoComp: 通过语义引导的进化标注学习多模态大语言模型的视觉令牌压缩
机构 * OPPO CTG
AI总结 本文提出EvoComp框架，通过语义引导的进化标注策略，有效压缩视觉令牌数量，同时保持任务精度，实验显示在3倍压缩下保持99.3%的准确率，并在移动设备上提升1.6倍速度。
Comments Accepted by 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