CVPR

CoLLM-NAS: Collaborative Large Language Models for Efficient Knowledge-Guided Neural Architecture Search

CoLLM-NAS：协作大型语言模型用于高效知识引导的神经架构搜索

Zhe Li, Zhiwei Lin, Yongtao Wang

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学计算机科学技术研究院） 纠错

AI总结 本文提出CoLLM-NAS，一种基于协作大型语言模型的两阶段神经架构搜索框架，通过导航和生成两个LLM及协调模块，有效指导搜索过程，提升效率并取得新状态最优结果。

Comments Accepted as Oral at CVPR 2026 Workshop on Neural Architecture Search (NAS)

Explaining Object Detectors via Collective Contribution of Pixels

通过像素的集体贡献解释目标检测器

Toshinori Yamauchi, Hiroshi Kera, Kazuhiko Kawamoto

机构 * Chiba University（千叶大学） ； National Institute of Informatics（信息处理研究所） 纠错

AI总结 本文提出基于Shapley值和交互的游戏理论方法，以捕捉像素的个体和集体贡献，提升目标检测器的解释性与准确性。

Comments Accepted to CVPR 2026 (Highlight); code is available at: https://github.com/tttt-0814/VX-CODE

Learning Spatial-Preserving Hierarchical Representations for Digital Pathology

学习空间保持的层次表示用于数字病理学

Weiyi Wu, Xingjian Diao, Chunhui Zhang, Chongyang Gao, Xinwen Xu, Siting Li, Jiang Gui

机构 * Dartmouth College（达特茅斯学院） ； Massachusetts General Hospital（麻省总医院） ； Northwestern University（西北大学） 纠错

AI总结 本文提出SPAN框架，通过保留空间关系和计算分配，提升数字病理学图像的层次表示能力，通过两种变体在多个数据集上验证了其有效性。

Journal ref CVPR 2026 (Findings Track)

CT-DegradBench: A Physics-Informed Benchmark for CT Degradation Detection and Severity Estimation

CT-DegradBench：一种用于CT退化检测和严重程度估计的物理引导基准

Yousra Nabila Taifour, Marouane Tliba, Zuheng Ming, Marie Luong, Nour Aburaed, Aladine Chetouani, Gorkem Durak, Alessandro Bruno, Faouzi Alaya Cheikh, Habib Zaidi, Ulas Bagci, Azeddine Beghdadi

机构 * Université Sorbonne Paris Nord（索邦巴黎北大学） ； University of Dubai（迪拜大学） ； Northwestern University（西北大学） ； IULM University（IULM大学） ； Norwegian University of Science and Technology（挪威科学与技术大学） ； University of Geneva（日内瓦大学） 纠错

AI总结 本文提出CT-DegradBench，一个用于评估CT退化检测和严重程度估计的基准，结合语义先验和频域线索，提出SeSpeCT框架，在多模态嵌入空间中构建免训练的语义质量轴，实现退化类型和严重程度的联合预测。

Comments Accepted in CVPR 2026 VISION Workshop (DEXTER track)