期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
KLIP：通过逆问题中扩散先验的KL散度进行局部分布偏移检测
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出基于KL散度的OOD检测指标，无需校准数据或偏移分布知识，可检测并定位图像中的局部分布偏移。
Comments CVPR 2026
联合多相机激光雷达外参标定：基于学习的成对初始化与几何优化
机构 * Department of System and Computer Engineering, Carleton University（系统与计算机工程系，卡尔顿大学）
AI总结 提出两阶段框架，先通过CMRNext独立估计每个相机的外参和2D-3D对应，再通过联合光束法平差优化实现全局一致的多相机标定，显著提升精度和一致性。
Comments Paper is accepted in CVPR 2026 Workshop URVI: Unified Robotic Vision with Cross-Modal Sensing and Alignment
SMART: SMPLest-X 网格自适应与 RAFT 跟踪用于足球姿态估计
机构 * GameChanger by Dick’s Sporting Goods（Dick’s Sporting Goods 游戏革新部）
AI总结 提出 SMART 方法，通过微调 SMPLest-X 模型、结合 RAFT 光流相机跟踪和足部平面锚定等策略，在 FIFA 骨骼跟踪挑战中显著降低 3D 姿态估计误差。
Comments CVPR 2026 SoccerNet FIFA Skeleton Tracking Light Challenge, Rank 6
FSM-Net：一种用于真实世界去模糊的高效频率-空间网络
机构 * University of Science, VNU-HCM（越南胡志明市国家大学） ； Vietnam National University, Ho Chi Minh City（越南国家大学）
AI总结 提出FSM-Net，通过频率注意力模块和交叉门控视觉E-Branchformer实现高效双域去模糊，在NTIRE 2026挑战赛中获得第二名。
Comments Accepted to NTIRE Workshop at CVPR 2026. Project page: https://efficient-deblurring-fsmnet.vercel.app
SAM 用于荧光显微镜中鲁棒的线粒体实例分割
机构 * UiT The Arctic University of Norway（UiT北极大学）
AI总结 通过仅在合成荧光显微镜数据上微调 SAM，解决了真实数据稀缺问题，提高了线粒体实例分割的精度和平均 Dice 分数。
Comments Accepted at PHAROS-AIF-MIH workshop @ CVPR 2026
HiERO-StepG @ Ego4D Step Grounding Challenge: 层次化活动理解实现零样本步骤定位
机构 * Politecnico di Torino（托里诺理工大学）
AI总结 提出HiERO-StepG方法，利用弱监督层次化表示学习和聚类，无需任务特定微调即可实现零样本步骤定位，在Ego4D挑战中达到56.27% R@1 (IoU=0.3)。
Comments Technical report for the Ego4D Goal Step - Step Grounding challenge at CVPR 2026, derived from arXiv:2505.12911
基于整流流变压器的概率降水临近预报
机构 * CompVis ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 提出FREUD模型，通过帧级编码器和统一解码器结合整流流变压器，在保持不确定性的同时实现高效时空压缩，在SEVIR基准上达到降水临近预报最优性能。
Comments CVPR 2026, Project Page: https://compvis.github.io/weather-rf/
QVGGT: 训练后量化的视觉几何基础Transformer
机构 * Westlake University（西湖大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 针对VGGT模型参数量大、部署受限的问题，提出QVGGT量化框架，通过选择性混合精度、令牌滤波与任务感知尺度搜索，实现近无损W4A16量化，显著降低内存和加速推理。
Comments Accepted by CVPR 2026. Project page: https://ddsacu.github.io/QVGGT/
Polyphony: 基于扩散的双手动作分割，采用交替视觉Transformer和语义条件
机构 * New York University Abu Dhabi（纽约大学阿布扎赫尔分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出Polyphony三阶段方法，通过交替训练双手视觉Transformer、语义特征条件化和扩散分割，解决双手动作分割中的手间依赖、视觉不对称和语义模糊问题，在多个数据集上达到最优性能。
Comments CVPR 2026
多对象3D高斯泼溅场景的单步修复方法基准测试
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
AI总结 针对3D高斯泼溅场景中的对象移除与修复任务，比较了2D修复器在3D一致性上的表现，发现基于重建的修复器优于生成扩散模型，且从头初始化场景比微调现有场景效果更好，同时引入了一个带真实数据的新多对象场景。
Comments Accepted as an extended abstract to the CVEU Workshop at CVPR 2026
PInVerify：面向主动实例验证的离线具身基准
机构 * University of Trento（特伦托大学）
AI总结 提出主动实例验证任务，构建离线具身基准PInVerify，通过多视角导航和细粒度属性匹配评估具身智能体，并基于多模态大语言模型建立基线。
Comments Accepted as a poster at the Foundation Models Meet Embodied Agents (FMEA) Workshop, CVPR 2026. 44 pages including appendix. Code: https://github.com/Avalon-S/PInVerify
Semantic Foam：统一空间与语义场景分解
机构 * Simon Fraser University（西蒙弗雷泽大学） ； University of Toronto（多伦多大学） ； Wayve Technologies（Wayve技术公司） ； University of British Columbia（不列颠哥伦比亚大学） ； University of Edinburgh（爱丁堡大学）
AI总结 提出Semantic Foam，通过扩展Radiant Foam表示，结合Voronoi网格的空间分解和显式语义特征场，实现高质量、一致性的语义分割。
Comments 15 pages, 10 figures, Accepted to CVPR 2026 (Highlight) , Project page: http://semanticfoam.github.io/
BackSplit：在生物医学病灶分割中细分背景的重要性
机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技） ； Weill Cornell Medicine（韦尔医学院）
AI总结 提出BackSplit方法，通过将背景细分为多个子类（如组织、器官）进行训练，在不增加推理成本的情况下显著提升小病灶分割性能，并从信息论角度证明其有效性。
Comments Accepted to CVPR 2026
SHIELD: 用于增量扩展学习防御的安全超网络
机构 * Jagiellonian University, Faculty of Mathematics and Computer Science（杰洛内维大学数学与计算机科学学院） ； Jagiellonian University, Doctoral School of Exact and Natural Sciences（杰洛内维大学精确与自然科学研究博士学院） ； Akces NCBR ； IDEAS Research Institute（IDEAS研究所）
AI总结 提出一种结合区间边界传播（IBP）与超网络的框架SHIELD，通过生成任务特定参数和区间混合训练策略，实现可认证鲁棒的持续学习，在保持可扩展性的同时达到最优平均准确率。
Comments Accepted to CVPR 2026 (Findings track)
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