期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
AwareVLN: 基于自感知的视觉语言导航推理
机构 * Tsinghua University（清华大学）
AI总结 本文提出AwareVLN框架，通过自感知推理机制实现端到端的视觉语言导航，解决了传统方法在理解代理、指令和场景关系上的不足，并在多个数据集上实现了优于现有方法的性能。
Comments Accepted to CVPR 2026. Project page: https://gwxuan.github.io/AwareVLN/
合成数据足够吗？重新思考儿科罕见病识别中的数据稀缺性
机构 * Western University（西方大学） ； University of Toronto（多伦多大学）
AI总结 本研究探讨了在儿科罕见病识别中，仅使用合成数据是否足以克服数据稀缺问题，通过实验发现高保真合成数据能模拟临床有意义的分布，从而为遗传咨询提供隐私保护的视觉资源。
Comments CVPR 2026 CV4CHL workshop
Slimmable ConvNeXt: 适用于高效多设备部署的宽度自适应推理
机构 * Kiel University（基尔大学） ； Hamburg University of Technology (TUHH)（汉堡工业大学） ； UNU-INWEH
AI总结 本文提出Slimmable ConvNeXt，通过训练包含多个嵌套子网络的共享权重集，实现宽度自适应推理，从而在不同资源约束的设备上高效部署模型。该方法利用ConvNeXt的现代设计，如LayerNorm和倒置瓶颈结构，实现了通道宽度压缩，减少了归一化开销，并提供了更简单的训练流程。
Comments Accepted at Mobile AI Workshop 2026 (CVPR'26 Workshop)
SegCompass: 探索通过稀疏自编码器实现可解释对齐以增强推理分割
机构 * Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院） ； Peng Cheng Laboratory（鹏城实验室） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Meituan, Beijing（美团，北京） ； University of Chinese Academy of Sciences（中国科学院大学） ； College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
AI总结 本文提出SegCompass，一种通过稀疏自编码器实现可解释对齐的端到端模型，以提升推理分割的性能和可解释性。
Comments Accepted by CVPR 2026. 15 pages, 9 figures, 6 tables
无需训练的细粒度语义分割在低数据环境下：一个FungiTastic基线
机构 * Covision Lab（Covision实验室）
AI总结 本文提出了一种无需训练的两阶段框架，用于在低数据环境下实现细粒度语义分割，通过宏分类提示生成蘑菇掩码，并利用嵌入空间中的原型匹配进行细粒度标签分配，提高了可扩展性和分割成本。
Comments Accepted at the 13th Workshop on Fine-Grained Visual Categorization, CVPR 2026
使离散的成为连续的：合成RAW增强用于细粒度评估人检测性能在低光环境
机构 * University of Glasgow（格拉斯哥大学） ； Dotphoton
AI总结 本文提出了一种合成RAW增强方法，用于在低光条件下更准确地评估人检测模型的性能，通过生成与相机传感器噪声模型匹配的低光样本，以改善基准测试的数据覆盖。
Comments Accepted non-archival paper at the CVPR 2026 AUTOPILOT Workshop (Autonomous Understanding Through Open-world Perception and Integrated Language Models for On-road Tasks)
MuKV：多粒度KV缓存压缩用于长流视频问答
机构 * University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出MuKV，一种多粒度KV缓存压缩方法，通过半分层检索方法提升长流视频问答的效率和准确性，实验表明其在答案准确率、内存使用和在线问答效率方面均优于基线方法。
Comments To appear at CVPR'26. Code is available at https://github.com/IMBALDY/MuKV
UIKA：从无姿态图像快速生成通用头身模型
机构 * Nanjing University（南京大学） ； Ant Group（蚂蚁集团） ； HKUST（香港科技大学） ； Xi’an Jiaotong University（西安交通大学）
AI总结 本文提出UIKA，一种从任意数量的无姿态输入（包括单张图像、多视角捕捉和手机拍摄视频）生成可动画的高斯头身模型。与传统头身模型不同，UIKA通过模型表示、网络设计和数据准备重新思考任务，引入了UV引导的头身建模策略，设计了可学习的UV标记，并通过聚合所有输入视角的UV信息解码为标准高斯属性。
Comments CVPR 2026 Highlight. Code: https://github.com/ant-research/UIKA
AlignPose: 通过多视角特征-度量对齐实现通用的6D位姿估计
机构 * Czech Institute of Informatics, Robotics and Cybernetics（捷克信息学、机器人学与控制学研究院） ； Czech Technical University in Prague（布拉格捷克技术大学）
AI总结 本文提出AlignPose，一种无需特定对象训练或对称标注的多视角6D位姿估计方法，通过多视角特征-度量细化优化单一一致的世界坐标系位姿，实验表明其在六个数据集上优于其他方法，尤其在工业数据集上表现突出。
Comments CVPR 2026
LongVT: 通过原生工具调用激励'通过长视频思考'
机构 * MiroMind ； NTU（国立台湾大学） ； HKUST(GZ)（香港科技大学（广州）） ； THU（清华大学） ； LMMs-Lab（LMMs实验室）
AI总结 本文提出LongVT，一种端到端的代理框架，通过交错的多模态工具链式思考实现'通过长视频思考'，通过利用LMM的固有时间定位能力作为原生视频裁剪工具，以解决长视频推理中的幻觉问题，并通过VideoSIAH数据集提升训练和评估效果。
Comments CVPR 2026
多样且一致：基于能量的联合细化的上下文引导扩散用于多智能体运动预测
机构 * University of Southern California（南加州大学）
AI总结 本文提出了一种基于扩散的框架，通过利用历史轨迹中的丰富上下文信息来改进多智能体运动预测，通过引导机制增强预测动作的多样性和表达性，并引入基于能量的公式来细化联合轨迹分布，同时保持个体轨迹的合理性，实验表明该方法在多个基准数据集上均优于现有方法。
Comments MEIS-- CVPR
双阶段多模态框架用于情感模仿强度预测
机构 * Augmented Human Lab, National University of Singapore, Singapore（新加坡国立大学增强人类实验室） ； University of Moratuwa, Sri Lanka（斯里兰卡穆拉图瓦大学）
AI总结 本文提出了一种双阶段多模态框架，用于从真实视频片段中预测六个连续情绪强度维度，通过结合文本、音频和视觉表示，并可选运动分支，提供了一个实用且可复现的基线。
Comments 10th Affective & Behavior Analysis in-the-wild, CVPR Workshop 2026
Flat-Pack Bench: 通过家具组装评估大视觉-语言模型的时空理解
机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技） ； MBZUAI（麦吉尔-伯克利-浙江大学人工智能研究院） ； UC Berkeley（伯克利大学）
AI总结 本文提出Flat-Pack Bench基准，用于评估大视觉-语言模型在复杂视频场景中的时空理解能力，发现当前模型在细粒度时空推理上存在显著不足。
Comments CVPR 2026
MagicFuse: 单图像融合用于视觉与语义增强
机构 * Electronic Information School, Wuhan University, China（武汉大学电子信息学院） ； Suzhou Institute of Wuhan University, China（武汉大学苏州研究院） ； School of Automation, Wuhan University, China（武汉大学自动化学院）
AI总结 本文提出MagicFuse单图像融合框架，通过扩散模型生成跨光谱场景表示，实现视觉与语义的双重约束，实验表明其性能优于多模态融合方法。
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