Act2See: Emergent Active Visual Perception for Video Reasoning
Act2See：面向视频推理的涌现式主动视觉感知
机构 * Carnegie Mellon University（卡内基梅隆大学） ； MIT（麻省理工学院）
AI总结 本文提出Act2See框架，通过使VLMs在文本推理中主动交错视频帧，实现视频推理中的主动视觉感知，提升了推理质量并优于现有方法。
Comments CVPR 2026
期刊&会议
CVPR
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
Omni-Fake: Benchmarking Unified Multimodal Social Media Deepfake Detection
Omni-Fake：面向社交媒体的统一多模态深度伪造检测基准测试
机构 * University of Liverpool（利物浦大学） ； University of Exeter（埃克塞特大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Omni-Fake多模态深度伪造检测基准，包含大规模数据集和分布外基准，支持联合检测-定位-解释协议，并提出基于强化学习的多模态检测器，提升检测准确性和可解释性。
Comments Accepted to CVPR 2026
Towards Visual Query Localization in the 3D World
面向3D世界的视觉查询定位
机构 * Wuhan University（武汉大学） ； AutoLab, SAI, Shanghai Jiao Tong University（AutoLab、SAI、上海交通大学） ； Anyverse Dynamics ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
AI总结 本文首次提出3D多模态视觉查询定位基准3DVQL，包含2002个序列和17万帧数据，通过点云、RGB图像和深度图像多模态数据提升研究灵活性，并提出LaF算法提升性能。
Comments Accepted to CVPR 2026. 8 pages
Decision Boundary-aware Generation for Long-tailed Learning
面向长尾学习的决策边界感知生成
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China（中国教育部多媒体可信感知与高效计算重点实验室） ； Xiamen University（厦门大学） ； College of Computer Science and Software Engineering（计算机科学与软件工程学院） ； Shenzhen University（深圳大学） ； Department of Statistical Science（统计科学系） ； University College London（伦敦大学学院） ； Division of Arts and Machine Creativity（艺术与机器创造力 division） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文提出DBG框架，通过生成边界附近样本提升表示学习，缓解长尾数据分布不均问题，提升尾类和整体准确率。
Comments Accepted by CVPR 2026
Registration-Free Learnable Multi-View Capture of Faces in Dense Semantic Correspondence
无需注册的可学习多视角面部密集语义对应捕捉
机构 * Institute of Robotics, Athena Research Center（机器人研究所，雅典研究中心） ； School of ECE, NTUA（电子工程学院，NTUA） ； HERON – Hellenic Robotics Center of Excellence（希腊机器人 excellence 中心） ； MPI for Intelligent Systems（智能系统研究所） ； ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌）
AI总结 本文提出MOCHI框架，无需注册数据直接从多视角图像预测3D面部，通过伪线性逆运动学求解器确保拓扑一致性，改进损失函数提升重建精度。
Comments 19 pages, CVPR 2026
Rethinking Model Selection in VLM Through the Lens of Gromov-Wasserstein Distance
通过格罗莫夫-瓦瑟斯坦距离重新思考VLM中的模型选择
机构 * Sydney AI Centre, The University of Sydney（悉尼人工智能中心，悉尼大学） ； Dolby Laboratories（杜比实验室） ； TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团体）
AI总结 本文通过系统实验探讨视觉编码器选择的关键因素，发现模态间结构相似性通过格罗莫夫-瓦瑟斯坦距离衡量能提升VLM性能预测。
Comments Accepted as Highlight publication for CVPR 2026
CUE: Concept-Aware Multi-Label Expansion to Mitigate Concept Confusion in Long-Tailed Learning
CUE: 基于概念的多标签扩展以缓解长尾学习中的概念混淆
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University, China（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学，中国） ； College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院，中国） ； Institute of High Performance Computing, A*STAR, Singapore（新加坡A*STAR高性能计算研究所）
AI总结 本文提出CUE，通过引入多标签概念信号缓解长尾分布下类别间关系的破坏，实验表明其在多个长尾基准上表现优异。
Comments 10 pages. Accepted by CVPR 2026
NAKUL-Med: Spectral-Graph State Space Models with Dynamics Kernels for Medical Signals
NAKUL-Med: 带动态核的谱-图状态空间模型用于医学信号
机构 * Microsoft（微软）
AI总结 NAKUL-Med通过动态核生成、谱上下文建模和图引导的空间注意力，提升多通道生理信号分析的性能，实现高准确率和高效推理。
Comments Accepted CVPR Finding Track
Synthetic Designed Experiments for Diagnosing Vision Model Failure
合成设计实验用于诊断视觉模型失效
机构 * Indian Institute of Technology Bombay（印度理工学院班加罗尔）
AI总结 本文提出SDRS方法，通过方差分析分解高效审计模型的因子敏感性，识别并解决类型I和II失效缺口，通过针对性合成数据提升模型性能。
Comments Under review at CVPR SynData4CV 2026
SpatialStack: Layered Geometry-Language Fusion for 3D VLM Spatial Reasoning
SpatialStack：用于3D VLM空间推理的分层几何-语言融合
机构 * XMU（厦门大学） ； UCLA（美国大学） ； Google（谷歌） ； UW-Madison（威斯康星大学麦迪逊分校） ； TAMU（德克萨斯农工大学）
AI总结 本文提出SpatialStack框架，通过分层融合视觉、几何和语言表征，提升3D空间推理能力，实验表明其在多个基准上表现优异。
Comments CVPR 2026, Project Website: https://spatial-stack.github.io/
Grounding Synthetic Data Generation With Vision and Language Models
基于视觉和语言模型的合成数据生成基础
机构 * Graduate School of Informatics（信息学院）
AI总结 本文提出一种视觉-语言 grounded 框架，用于可解释的遥感合成数据增强与评估，引入 ARAS400k 数据集，包含 100k 真实图像和 300k 合成图像，用于语义分割和图像描述生成。
Comments Accepted for presentation at IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Synthetic Data for Computer Vision Workshop (SynData4CV) 2026
Refracting Reality: Generating Images with Realistic Transparent Objects
折射现实：生成具有真实透明物体的图像
机构 * The Australian National University（澳大利亚国立大学）
AI总结 本文提出通过Snell定律在生成过程中同步像素，生成更符合物理约束的透明物体图像。
Comments CVPR 2026 (Highlight), Code: https://github.com/YueYin27/snellcaster, Project page: https://yueyin27.github.io/snellcaster-page/
