CVPR

Data-Free Contribution Estimation in Federated Learning using Gradient von Neumann Entropy

在联邦学习中使用梯度von Neumann熵进行无数据贡献估计

Asim Ukaye, Mubarak Abdu-Aguye, Nurbek Tastan, Karthik Nandakumar

机构 * MBZUAI, UAE（马布里克大学人工智能研究所，阿联酋） ； Michigan State University, USA（密歇根州立大学，美国） 纠错

AI总结 本文提出无数据的联邦学习贡献估计方法，通过最终层更新的矩阵von Neumann熵衡量信息多样性，提出SpectralFed和SpectralFuse两种方案，验证熵值与客户端准确性的高相关性。

Comments 10 pages, 4 figures, 4 pages Appendix, 6 figures in Appendix. To appear in CVPR 2026 FedVision Workshop

Revisiting Geometric Obfuscation with Dual Convergent Lines for Privacy-Preserving Image Queries in Visual Localization

重新审视双收敛线几何隐匿以实现隐私保护的图像查询在视觉定位中

Jeonggon Kim, Heejoon Moon, Je Hyeong Hong

机构 * Dept. Electronic Engineering, Hanyang University（韩江大学电子工程系） ； Dept. Artificial Intelligence, Hanyang University（韩江大学人工智能系） 纠错

AI总结 本文提出双收敛线方法，通过改变几何隐匿方式提升隐私保护图像查询的鲁棒性，实验验证其在不同数据集上的有效性与效率。

Comments Accepted at CVPR 2026 (oral). Supplementary material included after references. 18 pages, 11 figures, 8 tables

DocPrune:Efficient Document Question Answering via Background, Question, and Comprehension-aware Token Pruning

DocPrune：通过背景、问题和理解感知的令牌修剪实现高效的文档问答

Joonmyung Choi, Sanghyeok Lee, Jongha Kim, Sehyung Kim, Dohwan Ko, Jihyung Kil, Hyunwoo J. Kim

机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出DocPrune框架，通过背景、问题和理解感知的令牌修剪提升长文档理解效率，实验显示在M3DocRAG上提升了吞吐量和F1分数。

Comments CVPR 2026

Uni-Encoder Meets Multi-Encoders: Representation Before Fusion for Brain Tumor Segmentation with Missing Modalities

单编码器遇见多编码器：在缺失模态下的脑肿瘤分割中的表示学习前融合

Peibo Song, Xiaotian Xue, Jinshuo Zhang, Zihao Wang, Jinhua Liu, Shujun Fu, Fangxun Bao, Si Yong Yeo

机构 * School of Mathematics, Shandong University（山东大学数学学院） ； GSFS, The University of Tokyo（东京大学GSFS） ； MedVisAI Lab（医学视觉人工智能实验室） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李光前医学院） ； Centre of AI in Medicine, Singapore（新加坡医学人工智能中心） 纠错

AI总结 本文提出UniME方法，通过两阶段异构架构在缺失模态下实现脑肿瘤分割，通过单编码器和多编码器的结合提升分割精度。

Comments CVPR 2026 Poster

Anatomy-Aware Unsupervised Detection and Localization of Retinal Abnormalities in Optical Coherence Tomography

基于解剖结构的无监督视网膜异常检测与定位方法

Tania Haghighi, Sina Gholami, Hamed Tabkhi, Minhaj Nur Alam

机构 * University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） 纠错

AI总结 本文提出一种无监督方法，通过学习健康视网膜的分布来检测和定位OCT图像中的异常，提高了临床应用中的标注效率，并在多个数据集上展示了优越的泛化能力。

Comments 11 pages, 3 figures, accepted in CVPR-CV4Clinical

H-Sets: Hessian-Guided Discovery of Set-Level Feature Interactions in Image Classifiers

H-Sets: 基于Hessian的图像分类器中集合级特征交互发现

Ayushi Mehrotra, Dipkamal Bhusal, Michael Clifford, Nidhi Rastogi

机构 * California Institute of Technology（加州理工学院） ； Rochester Institute of Technology（罗切斯特理工学院） ； Toyota InfoTech Labs（丰田信息科技实验室） 纠错

AI总结 本文提出H-Sets框架，通过Hessian检测局部交互对并递归合并为语义连贯的集合，结合IDG-Vis进行集合级特征交互归因，生成更可解释且忠实的显著性图。

Comments CVPR 2026

KIRA: Knowledge-Intensive Image Retrieval and Reasoning Architecture for Specialized Visual Domains

KIRA：面向专业视觉领域的知识密集型图像检索与推理架构

Parthaw Goswami, Jaynto Goswami Deep

机构 * University of Missouri（密苏里大学） ； SAP Prague（SAP 布拉格） 纠错

AI总结 KIRA提出一种五阶段框架，解决视觉RAG中的核心问题，包括多粒度知识库构建、领域自适应对比编码、双路径跨模态检索、多跳视觉推理及证据条件生成，通过四个专业领域实验验证其有效性。

Journal ref CVPR 2026 2nd Workshop on Knowledge-Intensive Multimodal Reasoning

Lifting Unlabeled Internet-level Data for 3D Scene Understanding

提升互联网级未标记数据用于3D场景理解

Yixin Chen, Yaowei Zhang, Huangyue Yu, Junchao He, Yan Wang, Jiangyong Huang, Hongyu Shen, Junfeng Ni, Shaofei Wang, Baoxiong Jia, Song-Chun Zhu, Siyuan Huang

机构 * State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Peking University（北京大学） ； Beijing Institute of Technology（北京理工大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文通过设计数据引擎利用互联网未标记视频生成训练数据，提升3D场景理解模型性能，验证了在不同感知粒度任务中的有效性。

Comments CVPR 2026. Project page: https://sv-pp.github.io/

When LoRA Betrays: Backdooring Text-to-Image Models by Masquerading as Benign Adapters

当LoRA背叛时：通过伪装成无害适配器对文本到图像模型进行后门攻击

Liangwei Lyu, Jiaqi Xu, Jianwei Ding, Qiyao Deng

机构 * People’s Public Security University of China（中国人民公安大学） 纠错

AI总结 研究提出MasqLoRA攻击框架，通过独立LoRA模块在文本到图像扩散模型中隐蔽注入恶意行为，实验显示其攻击成功率高达99.8%。

Comments Accepted to CVPR 2026 main track(poster)

Edit-aware RAW Reconstruction

具有编辑意识的RAW重建

Abhijith Punnappurath, Luxi Zhao, Ke Zhao, Hue Nguyen, Radek Grzeszczuk, Michael S. Brown

机构 * AI Center–Toronto, Samsung Electronics（多伦多人工智能中心，三星电子） 纠错

AI总结 本文提出了一种编辑感知的损失函数，用于提升RAW重建在不同渲染风格和编辑操作下的鲁棒性，通过可微的图像信号处理器模拟真实摄影流程，提升sRGB重建质量。

Comments Accepted to CVPR 2026