期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
应对源自由跨域小样本学习中加剧的注意力汇聚问题
机构 * Huazhong University of Science and Technology（华中科技大学）
AI总结 针对跨域小样本学习中标准微调加剧注意力汇聚导致判别性下降的问题，提出基于令牌动态重加权的方法抑制简单令牌依赖并增强困难令牌学习，实现新最优性能。
Comments Accepted by CVPR 2026
OMGTex: 无需几何引导的一阶段多风格面部纹理重建
机构 * School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）科学与工程学院） ； Guangdong Provincial Key Laboratory of Future Networks of Intelligence（广东省未来网络智能化重点实验室） ； FNii-Shenzhen（FNii-深圳）
AI总结 提出OMGTex，一种端到端的扩散框架，无需3D几何先验，直接从多风格面部图像重建高质量、可编辑的UV纹理，通过梯度引导推理和语义感知训练实现鲁棒重建与编辑。
Comments CVPR 2026 (Poster)
ComPose：用于鲁棒类别级物体姿态估计的统一补全-姿态框架
机构 * University of Science and Technology of China（中国科学技术大学） ； National Key Laboratory of Deep Space Exploration, Deep Space Exploration Laboratory（国家空间科学探测重点实验室，深空探测实验室） ； Beijing Institute of Control Engineering（北京控制工程研究所）
AI总结 提出ComPose框架，通过关键点渐进补全模块和几何关系一致性损失，将形状补全与姿态估计紧密集成，在不依赖类别级形状先验的情况下提升点云不完整场景下的姿态估计精度和效率。
Comments Accepted by CVPR 2026 (Oral, Best Paper Award Candidate). Project page is available at renhuan1999.github.io/ComPose
MTLLFM: 多模态时间笑声定位——UR-FUNNY-Temporal和SMILE-Temporal基准数据集与自适应多模态融合模型
机构 * WSC-Sports（WSC-体育）
AI总结 针对现有方法无法精确捕捉短暂笑声事件时间边界的问题，本文提出两个完全标注的时间笑声数据集（UR-FUNNY-Temporal和SMILE-Temporal）和一个轻量级弱监督框架，通过固定HuBERT和MAE编码器结合时间softmax池化与自适应模态门控，实现从片段级标签到帧级时间定位，在体育广播数据上达到99% F1和68.1%定位精度，并将下游笑声推理CIDEr提升227%。
Comments Accepted to the Workshop on Affective & Behavior Analysis in-the-wild, CVPR 2026
当可解释性成为负担：针对CBM概念层的对抗攻击
机构 * Independent Researcher（独立研究者）
AI总结 本文系统研究了概念瓶颈模型（CBM）中概念层的对抗性脆弱性，提出了一种基于语义扰动的稳定性正则化防御方法SPECTRA，显著提高了攻击所需的最小扰动范数，同时保持了分类精度。
Comments Accepted to CVPR 2026 (Findings). 9 pages, 6 figures
CounterFlow: 一种用于反事实视频拟音生成的两阶段推理时采样方法
机构 * Kim Jaechul Graduate School of AI, KAIST（金 Jaechul人工智能研究生院，韩国科学技术院）
AI总结 提出CounterFlow，一种两阶段推理时采样方案，用于预训练的流匹配VT2A模型，以生成与视觉证据矛盾但时间同步的反事实视频拟音，并通过新指标评估替换质量。
Comments accepted to CVPR 2026 Workshop on Sight and Sound
EgoMind: 通过多模态大语言模型中的语言推理激活空间认知
机构 * State Key Laboratory of Complex and Critical Software Environment（复杂与关键软件环境国家重点实验室） ； School of Computer Science and Engineering（计算机科学与工程学院）
AI总结 提出EgoMind框架，通过角色扮演描述和渐进空间分析的无几何空间推理方法，仅用少量数据即可在多基准测试中提升MLLMs的空间推理能力。
Comments Accepted by CVPR 2026
面向自动驾驶的空间感知视觉语言模型
机构 * Motional ； University of Amsterdam（阿姆斯特丹大学）
AI总结 提出LVLDrive框架，通过融合LiDAR点云与视觉语言模型，利用渐进融合Q-Former和空间感知问答数据集，解决3D度量空间推理瓶颈，提升自动驾驶场景理解与决策可靠性。
Comments Accepted to CVPR AutoPilot Workshop 2026
DASH：一种用于合成有效且隐蔽的对抗样本的元攻击框架
机构 * University of Maine（缅因大学） ； University of Florida（佛罗里达大学） ； University of Tennessee, Knoxville（田纳西大学，基洛纳）
AI总结 提出DASH元攻击框架，通过多阶段自适应组合Lp约束攻击方法，生成有效且感知对齐的对抗样本，在多个数据集上优于现有方法。
Comments Accepted to CVPR 2026
残差连接损害生成式表示学习
机构 * University of Chicago（芝加哥大学） ； Fudan University（复旦大学） ； Tencent（腾讯） ； Shanghai Academy of AI for Science（上海人工智能科学研究院）
AI总结 通过减少残差网络中恒等捷径的权重，显著提升掩码自编码器和扩散模型等生成式表示学习框架中的语义特征学习质量。
Comments accepted to CVPR 2026
你可以比看见更早定位：一种用于压缩视频中时序句子定位的高效流程
机构 * The Hubei Engineering Research Center on Big Data Security, School of Cyber Science and Engineering, Huazhong University of Science and Technology（大数据安全湖北工程研究中心，网络安全科学与工程学院，华中科技大学） ； Peking University（北京大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 提出一种三分支压缩域时空融合框架（TCSF），直接从压缩视频中提取I帧、运动向量和残差特征，实现高效准确的时序句子定位。
Comments Accepted by CVPR 2023
无需多视图生成的多视图一致3D高斯头部头像
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出MVCHead，一种直接从随机采样的2D图像学习3D高斯头部模型的方法，通过层次状态空间块和SE(3)多视图评判器实现多视图一致性，无需多视图数据或3D监督。
Comments CVPR 2026; Project Website: https://humansensinglab.github.io/MVCHead/
Journal ref CVPR, Denver, CO, USA, 2026, pp. 40163-40174
PQDT: 伪查询双Transformer用于鲁棒点云修复
机构 * Mercedes-Benz AG（梅赛德斯-奔驰集团） ； University of Bonn（波恩大学） ； Fraunhofer SCAI（弗劳恩霍夫SCAI研究所）
AI总结 提出一种基于伪查询模块和Transformer主干网络的统一3D修复网络，通过两阶段几何变换增强结构清晰度和局部细节，在多种退化场景下超越现有方法。
Comments To be published in The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
从语义字典中学习：面向统一视觉表示与生成的判别式码本对比学习
机构 * Universitat de Barcelona（巴塞罗那大学） ； Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心）
AI总结 提出LEASE框架，通过配对生成-判别码本设计，在离散标记空间中联合优化掩码重建损失和码本对比损失，实现统一视觉表示与生成，在ImageNet-1K上达到最先进性能。
Comments Accepted at CVPR'26
Tempered Self-Similarity Alignment for Physically Plausible Video Generation
机构 * Pohang University of Science and Technology (POSTECH)（浦项科学技术大学）
AI总结 提出Tempered Self-Similarity Alignment (TSA)损失函数，通过将视觉基础模型中的时空自相似性关系知识迁移到视频生成模型中，以改善视频的物理合理性。
Comments Accepted to the CVPR 2026 Workshop on Video Generative Models: Benchmarks and Evaluation (VGBE)
三步条件扩散光场显微三维重建
机构 * Yanshan University（雁山大学） ； Peking University（北京大学）
AI总结 针对光场显微成像中传统算法分辨率低、伪影重、计算成本高，以及现有学习方法重建精度和泛化能力不足的问题，提出一种基于三步条件扩散的高保真三维重建方法，通过确定性三步采样和轻量条件U-Net实现快速准确重建，并引入类间检测模块增强稳定性。
Comments 10 pages, 6 figures. Accepted to CVPR 2026 Findings
BED-SAM2: 通过单目几何先验增强边界的深度SAM2
机构 * University of Delaware（德克萨斯大学） ； University of South Florida（佛罗里达州立大学） ； DEVCOM Army Research Laboratory（国防部陆军研究实验室）
AI总结 本研究通过修改SAM2编码器以直接编码单目深度信息，提出BED-SAM2模型，在少量训练周期内实现显著和伪装物体检测的竞争性能。
Comments 9 pages, 5 figures, 5 tables. Presented as a poster at the CVPR 2026 Workshop on Computer Vision in the Wild (CVinW). Code available at https://github.com/TylerRust-1/BED-SAM2
HCL-FF：用于前向-前向算法的分层对比学习
机构 * University of Southern California（南加州大学）
AI总结 针对前向-前向算法缺乏分层协调和特征语义模糊的问题，提出HCL-FF框架，通过粗到细的分层学习策略和监督对比学习目标，在CIFAR-10等数据集上取得FF方法最佳性能。
Comments Accepted by CVPR 2026. Code: https://github.com/JNNNNYao/HCL-FF
4KLSDB：用于4K图像恢复与生成的大规模数据集
机构 * Texas A&M University（德克萨斯A&M大学） ； Hugging Face
AI总结 为解决现有数据集缺乏原生4K分辨率和规模的问题，提出包含129,484张4K图像的大规模数据集4KLSDB，并通过多阶段自动过滤和标注确保质量，实验证明其在超分辨率和扩散模型训练中能显著提升4K基准性能。
Comments Accepted to the DataCV Workshop at CVPR 2026; 10 pages, 4 figures, 7 tables; Our project page is available at: https://4klsdb.github.io/
点云中的鬼影：瞬态域中的LiDAR去眩光
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 针对固态LiDAR内部多径眩光导致的伪影问题，提出基于瞬态眩光扩散函数（TGSF）的物理模型和无训练算法，在点云形成前抑制眩光，保留真实场景结构。
Comments CVPR 2026
NudgeVAD: 通过FiLM残差的语言引导端到端驾驶
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学）
AI总结 提出NudgeVAD框架，利用语言作为校准的微调信号，通过恒等初始化的FiLM和零初始化残差头，在命令不可靠时显著提升驾驶轨迹预测性能。
Comments Technical report for the doScenes Instructed Driving Challenge, CVPR 2026 DriveX Workshop. 1st place in the Ablation track
VLA 推理是否忠实？自动驾驶模型中因果链的安全性探究
机构 * School of Computer Science and Engineering（计算机科学与工程学院） ； Central South University（中南大学） ； School of Computer Science（计算机科学学院） ； University of Wollongong in Dubai（迪拜大学）
AI总结 通过分析300次VLA推理，发现输出推理与轨迹的忠实度仅42.5%，存在大量漏检行人、轨迹脆弱及推理-动作不一致问题，并提出了信息论忠实度形式化定义与安全架构。
Comments Accept (Poster), CVPR 2026 Workshop DriveX NonArchival Track
监控视频中罕见交通事件的两次通过零样本时空定位
AI总结 提出一种无需微调的管道，通过粗到细的两遍分解和专家角色分配，利用冻结视觉语言模型实现罕见交通事件在时间、空间和碰撞类型上的联合定位。
Comments Accepted at CVPR 2026 AUTOPILOT Workshop (Non-Archival Track). 7 pages (4 main + references + appendix), 3 figures, 5 tables
重新评估CLIP中的模态内错位假设
机构 * Zhejiang University（浙江大学）
AI总结 本文质疑CLIP的模态内错位假设，通过理论分析和实验证明图像嵌入距离不存在所谓的自由度，且模态内任务性能差异主要源于任务歧义而非错位。
Comments Accepted for CVPR'26. Project Page: https://vision-kek.github.io/Is-CLIP-Really-Misaligned/
Blink: 动态视觉令牌分辨率增强多模态理解
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Baidu Inc（百度公司）
AI总结 提出Blink框架，通过注意力引导的令牌超分辨率和动态丢弃机制，在单次前向传播中模拟人类眨眼式扫描，提升多模态大语言模型的视觉感知能力。
Comments CVPR 2026
IPR-1：交互式物理推理器
机构 * CARNEGIE MELLON UNIVERSITY（卡内基梅隆大学）
AI总结 提出IPR模型，通过世界模型滚动评分和强化VLM策略，结合物理中心动作代码PhysCode，在1000+异构游戏基准上实现鲁棒的物理推理，性能超越GPT-5并零样本迁移至未见游戏。
Comments Accepted by CVPR 2026. 13 pages of main text and 20 pages of appendices. Project page: https://mybearyzhang.github.io/ipr-1
VisualOverload: 在真正密集场景中探测VLM的视觉理解
机构 * Independent Researcher（独立研究者） ； JKU Linz（林茨JKU） ； MIT CSAIL ； Tübingen AI Center（图宾根人工智能中心） ； Stanford（斯坦福） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
AI总结 提出VisualOverload基准，通过密集场景中的简单视觉任务测试VLM，发现最佳模型仅达69.5%准确率，揭示计数、OCR和逻辑一致性等关键缺陷。
Comments Accepted at CVPR 2026
PrITTI: 基于基元的可控可编辑3D语义城市场景生成
机构 * University of Tübingen（图宾根大学） ； Tübingen AI Center（图宾根人工智能中心） ； Zhejiang University（浙江大学） ； Noah’s Ark Lab, Huawei（华为诺亚实验室） ； KE:SAI - Kyutai ELLIS Scalable Autonomous Intelligence（KE:SAI - 韩国ELLIS可扩展自主智能）
AI总结 提出PrITTI，一种利用矢量化对象基元和栅格化地面表面的混合表示，通过潜在扩散模型实现高质量、可控且可编辑的3D语义城市场景生成。
Comments Accepted to CVPR 2026
通过弱到强学习实现可泛化的视频质量评估
机构 * Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 提出弱到强学习框架，结合同质/异质监督信号和迭代训练，无需人工标注即可提升视频质量评估的泛化能力。
Comments Accepted by CVPR 2026
学习双射曲面参数化以通过网格变形从稀疏点云推断符号距离函数
机构 * School of Software, Tsinghua University, Beijing, China（清华大学软件学院，北京，中国） ； Department of Computer Science, Wayne State University, Detroit, USA（韦恩州立大学计算机科学系，底特律，美国）
AI总结 提出一种动态变形网络结合双射曲面参数化和网格变形优化的方法，从稀疏点云端到端预测符号距离函数，显著优于现有方法。
Comments Accepted by Conference on Computer Vision and Pattern Recognition (CVPR) 2025. Project page:https://takeshie.github.io/Bijective-SDF
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