期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
PlayClass: 家禽自动玩耍行为分类
机构 * Section for Health Data Science & AI, University of Copenhagen（哥本哈根大学健康数据科学与人工智能部门） ； AVIAN Behaviour Genomics and Physiology Group, Linköping University（林雪平大学鸟类行为基因组学与生理学组） ； Department of Infectious Disease Epidemiology, Imperial College London（伦敦帝国学院传染病流行病学系）
AI总结 提出PlayClass流水线，利用SAM 3长时跟踪和V-JEPA 2.1基础模型，从俯拍视频中自动分类家禽玩耍行为，达到77.0宏平均F1。
Comments Accepted at CV4Animals Workshop @ CVPR 2026
MRT：用于大规模分层图像生成与编辑的掩码区域变换器
机构 * Canva Research（Canva研究院）
AI总结 提出MRT，一个200亿参数的掩码区域扩散模型，通过统一文本到层、图像到层和层到层任务，并引入溢出感知画布层，实现高效的多层透明图像生成与编辑。
Comments CVPR 2026
黑盒成员推断攻击：针对图像生成模型的预训练数据
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学）
AI总结 提出一种基于跨模态数据扰动的黑盒成员推断攻击框架SD-MIA，通过分析扩散模型对目标图像和扰动文本指令的去噪过程，有效检测预训练数据中的成员关系。
Comments 13 pages, 9 figures; CVPR 2026 camera-ready
通过对齐单目视频中的高阶时间动态恢复自然人体运动
机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出HTD-Refine框架，利用PVA-Net估计的高阶时间动态（速度和加速度）优化全局轨迹，恢复自然人体运动。
Comments 13 pages, 6 figures. Accepted as an Oral presentation and Best Paper Candidate at CVPR 2026. Project page: https://zju3dv.github.io/htd-refine/
EgoProx: 在认知层级上评估多模态大语言模型的自我中心3D邻近推理能力
机构 * College of AI, Tsinghua University（清华大学人工智能学院） ； ByteDance（字节跳动） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI）
AI总结 提出EgoProx基准，通过认知链任务和基于智能体的数据引擎，评估多模态大语言模型在自我中心3D邻近推理中的表现，发现模型虽具备空间知识但难以有效利用。
Comments Accepted to CVPR 2026
损失景观上的模型合并：几何视角
机构 * Purdue University（普渡大学） ； Waymo LLC（Waymo公司）
AI总结 提出EpiMer框架，将模型合并视为黎曼流形上的Fréchet均值，利用任务向量张成的低秩子空间和期望Hessian度量，理论证明曲率感知合并优于平坦几何方法，并在八个图像分类任务上验证了性能提升。
Comments CVPR 2026 Findings Track. 18 pages, 4 figures, 6 tables
JetViT: 高效高分辨率视觉Transformer与训练后注意力搜索
机构 * MIT（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； NVIDIA（NVIDIA公司） ； Physical Intelligence（物理智能）
AI总结 提出JetViT混合架构视觉Transformer，通过训练后注意力搜索将预训练全注意力ViT转换为高效混合注意力变体，在高分辨率图像上实现更高推理效率且不损失精度。
Comments Accepted to CVPR 2026 Findings
调度式风格注入：在免训练扩散风格迁移中扩展风格-内容帕累托前沿
机构 * Independent Researcher（独立研究者）
AI总结 通过系统探索层、时间步和ControlNet几何条件四个维度的调度，发现递减调度（浅层和早期时间步强结构注入）优于递增调度，且余弦和平方根时间步调度优于线性，结合近乎独立的gamma调度与ControlNet条件可扩展帕累托前沿，在ArtFID上相对提升6.1%。
Comments Accepted to CVPR NTIRE 2026
用于上下文去偏的个性化生成模型
机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； LIX, CNRS, École Polytechnique（巴黎政治学院LIX研究所，法国国家科学研究中心）
AI总结 提出DecoupleGen方法，利用个性化文本到图像扩散模型生成罕见上下文图像，作为训练增强以缓解视觉识别中的上下文偏差。
Comments CVPR 2026 Workshop on Synthetic Data for Computer Vision and Generative Models for Computer Vision. Code available at https://github.com/princetonvisualai/DecoupleGen
频率引导的RGB-热红外语义分割融合
机构 * Hacettepe University（哈切特佩大学）
AI总结 提出一种基于双ConvNeXt V2骨干网络的多模态融合架构，通过频率分解和置信门控残差机制融合RGB与热红外特征，在MFNet和PST900上以较低参数量实现先进性能。
Comments 9 pages, 7 figures, To be Presented at Perception Beyond the Visible Spectrum workshop series (IEEE PBVS) at CVPR, 2026
RoMo：用于人体运动生成的大规模、丰富组织的数据集和语义分类体系
机构 * Australian National University（澳大利亚国立大学） ； Roblox ； Stanford University（斯坦福大学） ； Rutgers University（罗格斯大学）
AI总结 提出RoMo数据集，通过分类感知过滤流水线确保质量，并采用三级语义分类体系组织数据，使训练模型在保真度和多样性上达到最优，同时提升对复杂文本提示的理解。
Comments Accepted to CVPR'26
自适应引导何时有帮助？部分可观测条件下自动驾驶的信念感知特权蒸馏
机构 * TUBITAK BILGEM Artificial Intelligence Institute（土耳其TUBITAK BILGEM人工智能研究所）
AI总结 本文提出信念感知GSAC（BA-GSAC），通过集成分歧动态调节蒸馏系数，系统研究自适应引导在部分可观测自动驾驶中的有效性，发现严重遮挡下系数过早崩溃，并揭示可观测性盲区问题。
Comments 9 pages, 3 figures, 7 tables. Accepted at CVPR 2026 Workshop on Autonomous Driving (WAD)
全局运动恢复结构与前馈重建的结合
机构 * ETH Zurich（苏黎世联邦理工学院） ； Meta Reality Labs（Meta现实实验室） ； Microsoft（微软公司）
AI总结 提出一种结合经典SfM和前馈重建优势的新流水线，在多种场景下实现最先进的重建结果。
Comments CVPR 2026, Highlight
从对比到一致性：重新思考基于事件的连续时光流估计
机构 * Xidian University（西安电子科技大学）
AI总结 提出一种基于时空结构一致性（STSC）的混合监督框架，结合双向互补多尺度架构和课程引导混合训练策略，在连续时间和标准光流估计中达到最先进性能。
Comments Accepted by CVPR 2026
SRL-CLIP: 通过结构化语义角色标签实现高效的CLIP视频适配
机构 * CVIT, IIIT Hyderabad（IIIT海得拉巴计算机视觉研究所） ； Inria, École normale supérieure, CNRS, PSL Research University（法国国家信息与自动化研究所、巴黎综合理工学院、国家科学研究中心、巴黎高等研究大学）
AI总结 本文提出SRL-CLIP，利用结构化语义角色标签（SRL）生成规则化字幕，仅用23k视频-字幕对进行对比微调，即可高效适配CLIP用于通用视频理解，在零样本文本-视频检索上性能优于参数多4-8倍、数据多6000倍的模型。
Comments Accepted to the CV4Smalls Workshop at CVPR 2026
DirectFisheye-GS: 在三维高斯泼溅中通过跨视图联合优化实现原生鱼眼输入
机构 * BNRist, Tsinghua University（北京理工大学，清华大学） ； Beihang University（北航） ； JD.com, Beijing, China（京东（北京，中国）） ； Shanghai AI Lab（上海人工智能实验室）
AI总结 针对鱼眼相机输入导致的信息丢失和细节模糊问题，提出将鱼眼相机模型集成到3DGS框架中，并引入基于特征重叠的跨视图联合优化策略，实现无需预处理的原生鱼眼图像训练，提升重建质量。
Comments CVPR 2026 Highlight; Fix NSFC ID
GS-CLIP: 基于几何感知提示与协同视图表示学习的零样本3D异常检测
机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）
AI总结 提出GS-CLIP框架，通过几何感知提示和协同视图表示学习，在零样本设置下有效检测3D点云中的几何异常。
Comments Accepted by CVPR 2026
LuxRemix: 室内场景的光照分解与重新混合
机构 * Meta Reality Labs（Meta现实实验室） ； University of Toronto（多伦多大学）
AI总结 提出一种基于图像的光照分解模型，从多视图场景捕获中分解室内光照为独立光源，并通过多视图光照协调集成到可重光照的3D高斯溅射表示中，实现交互式光源编辑。
Comments CVPR 2026. Project page: https://luxremix.github.io
结构化关系推理用于群体活动评估
机构 * University of Stuttgart（斯图加特大学） ； University of Hildesheim（希尔德斯海姆大学）
AI总结 提出ProGraD框架，利用冻结视觉基础模型和轻量级GroupContext Transformer，通过结构化关系推理在单次前向传播中联合推断群体位置、成员关系和活动，仅用10M参数即在Cafe和Social-CAD基准上取得最优性能。
Comments Accepted to CVPR 2026 Workshop (SAUAFG)
高效的全对相关性体素采样用于光流估计
机构 * DisneyResearch|Studios（迪士尼研究与工作室） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 提出一种内存和计算高效的算法，实现全对相关性体素采样的精确数学运算，在保持低内存占用的同时显著提升速度，并应用于高分辨率光流估计达到最优性能。
Comments CVPR 2026
V2V3D：用于光场显微镜的视图到视图去噪三维重建
机构 * Tsinghua University, Beijing 100084, China（清华大学，北京100084，中国） ； Shanghai AI Laboratory, China（上海人工智能实验室，中国）
AI总结 提出无监督视图到视图框架V2V3D，联合优化图像去噪和三维重建，利用噪声独立性实现噪声到噪声去噪，并设计基于波动光学的特征对齐技术恢复高频细节，在效率和性能上超越现有方法。
Comments CVPR 2025; New version: Fix NSFC ID
ImViD：用于增强VR沉浸感的沉浸式体积视频
机构 * Tsinghua University（清华大学） ； Migu Beijing Research Institute（中国移动北京研究院） ； Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所）
AI总结 提出ImViD多视角多模态数据集，支持移动中捕获完整场景，为6自由度多模态沉浸式VR体验提供基准和重建管线。
Comments CVPR 2025 Highlight; Fix NSFC ID
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