期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
潜空间强化学习用于食品断裂模拟中的逆材料估计
机构 * University of Waterloo（滑铁卢大学）
AI总结 针对食品断裂模拟中材料参数难以直接测量的问题，提出基于潜空间强化学习的目标条件策略，实现从断裂行为描述到材料参数的单次前向估计，精度提升23%。
Comments Accepted in IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026 MetaFood Workshop
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 9573-9581
VinQA：面向真实世界多模态文档问答的交错视觉元素长文本答案生成
机构 * LG AI Research（LG AI研究院）
AI总结 提出VinQA数据集和两种编码方法（页面编码与模态编码），用于生成交错引用视觉元素的长文本答案；通过M-GroSE评估框架和微调Qwen2.5-VL模型，显著缩小与专有模型的性能差距。
Comments Accepted to CVPR 2026. Main paper: 5 figures, 4 tables; includes supplementary material
GridVQA-X: 评估多模态可解释性方法的框架
机构 * IIIT Hyderabad（印度海得拉巴国际信息技术学院） ； University of Virginia（弗吉尼亚大学）
AI总结 提出GridVQA-X诊断框架，通过合成数据生成数学保证的解释，并训练纯推理与捷径依赖的配对模型，揭示现有可解释性方法无法区分真实跨模态推理与浅层捷径。
Comments 23 pages, 15 Figures, Accepted for poster presentation at CVPR 2026 TRUE-V Workshop
基于输入条件化槽查询的分层GRU用于足球动作预测
机构 * GameChanger by Dick’s Sporting Goods（迪克体育用品的GameChanger）
AI总结 提出分层模型，利用局部Transformer、GRU和输入条件化事件槽解码器，结合频率重加权匈牙利匹配和高斯软标签，在SoccerNet基准上实现17.91% mAP。
Comments CVPR 2026 SoccerNet Ball Action Anticipation Challenge, Validated Rank 4
SLU-2K：基于问题的手语翻译语义评估基准
机构 * University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） ； University of Catania（卡塔尼亚大学） ； University of Granada（格拉纳达大学） ； CITIC & DaSCI Institute（CITIC与DaSCI研究所）
AI总结 提出SLU-2K基准，通过2350个视频问答对评估手语翻译的语义理解，揭示当前系统在语义正确性上的不足。
Comments Accepted at the GenSign Workshop, CVPR 2026
问题感知的证据账本用于视频关系推理
机构 * State Key Laboratory of Networking and Switching Technology（网络与交换技术国家重点实验室）
AI总结 提出基于GPT-5.5视频QA求解器和问题感知证据账本的测试时推理流水线，通过显式化计数、空间、端点、视角和对话推理所需的目标、计数单位、参考帧及时间或空间范围，并利用外部工具作为证据源，最终在VRR-QA挑战上达到92.95%的整体准确率。
Comments Technical report for the VRR Challenge at the VideoLLMs Workshop, CVPR 2026
Pantheon360: 通过3D感知的360°视频扩散驯服数字孪生生成
机构 * University of Southern California（南加州大学） ； National Yang Ming Chiao Tung University（国家阳明交通大学） ； Cornell University（康奈尔大学） ； Bosch Research（博世研究）
AI总结 提出Pantheon360框架，利用显式3D缓存从稀疏360°输入生成高保真视频，实现全局几何一致性和可控相机路径，解决传统透视视频生成器视野受限导致的跨视图不一致和时间漂移问题。
Comments Accepted to CVPR 2026. Project page: https://koi953215.github.io/pantheon360_page/
AVA-VLA: 通过主动视觉注意力改进视觉-语言-动作模型
机构 * LiAuto Inc.（LiAuto公司） ； Beijing University of Technology（北京理工大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 针对VLA模型忽视历史信息的问题，提出AVA-VLA框架，利用循环状态近似信念并引入主动视觉注意力动态重加权视觉令牌，在LIBERO和CALVIN等基准上取得最优性能。
Comments Accepted at CVPR 2026 (Highlight)
通过注意力不平衡修正减轻LVLM中的对象幻觉
机构 * Shanghai Key Laboratory of Trustworthy Computing, East China Normal University（上海可信计算实验室，东华大学）
AI总结 发现多模态和token间注意力不平衡是对象幻觉的因果因素，提出轻量级解码干预方法AIR，通过重新分配注意力权重修正不平衡，在多个基准上减少幻觉达35.1%，并提升通用能力。
Comments CVPR 2026 Findings Track, code is available at https://github.com/Ice-wave/AIR
Rel-Zero：利用补丁对不变性实现鲁棒的零水印以抵御AI编辑
AI总结 针对AI编辑对图像真实性的威胁，提出Rel-Zero零水印框架，利用编辑中补丁对关系距离的不变性，无需修改原图即可生成鲁棒水印，实验证明其优于现有方法。
Comments accepted to CVPR 2026
基于物理信息神经场的动态黑洞发射断层成像
机构 * Caltech（加州理工学院） ； MIT（麻省理工学院） ； NSF IAIFI（国家科学基金会IAIFI） ； Princeton University（普林斯顿大学） ； Niels Bohr International Academy（尼尔斯·玻尔国际学院） ； University of Toronto（多伦多大学）
AI总结 提出PI-DEF方法，利用可微神经渲染从EHT测量数据中联合重建4D发射率场和3D速度场，以软约束方式引入物理信息，在模拟数据上显著优于现有方法。
Comments CVPR 2026
DiverseDiT：扩散Transformer中的多样化表示学习
机构 * Fudan University（复旦大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院） ； Shanghai Innovation Institute（上海创新研究院）
AI总结 通过分析扩散Transformer的表示动力学，发现块间表示多样性是关键，提出DiverseDiT框架，利用长残差连接和多样性损失促进多样特征学习，在ImageNet上提升性能并加速收敛。
Comments Accepted in CVPR 2026, GitHub Code: https://github.com/kobeshegu/DiverseDiT, Project Page: https://forevermamba.work/projects/DiverseDiT/
跨模态身份映射：通过强化学习最小化模态转换中的信息损失
机构 * Taobao & Tmall Group of Alibaba（淘宝与天猫集团（阿里巴巴）） ； The University of Hong Kong（香港大学）
AI总结 提出跨模态身份映射（CIM）框架，利用强化学习优化图像描述，通过检索一致性度量信息损失，无需额外标注，显著提升关系推理能力。
Comments Accepted to CVPR 2026
UniT：统一多模态思维链测试时扩展
机构 * Stanford University（斯坦福大学） ； Meta Superintelligence Labs（Meta超级智能实验室） ； Nanyang Technological University（南洋理工大学）
AI总结 提出UniT框架，通过多轮推理、验证和细化实现统一多模态模型的测试时扩展，实验表明短推理轨迹可泛化到长链，顺序思维链比并行采样更高效。
Comments CVPR 2026
SAMTok: 用两个词表示任意掩码
机构 * Wuhan University（武汉大学） ； ByteDance（字节跳动） ； NUS（新加坡国立大学）
AI总结 提出离散掩码分词器SAMTok，将区域掩码转化为两个特殊标记，通过标准下一标记预测和简单强化学习使基础多模态大模型获得像素级能力，在多项任务上达到最先进水平。
Comments CVPR 2026 Highlight
PoseGAM: 通过几何感知多视图推理实现鲁棒的未见物体姿态估计
机构 * KAUST（卡塔尔科技大学）
AI总结 提出PoseGAM，一种基于多视图基础模型的几何感知框架，直接预测未见物体的6D姿态，无需显式匹配，通过点云几何和特征网络整合几何信息，在多个基准上平均AR提升5.1%。
Comments Accepted by CVPR 2026 (Oral). Project page: https://windvchen.github.io/PoseGAM/
HanDyVQA：面向细粒度手-物交互动态的视频问答基准
机构 * Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所） ； National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院） ； Waseda University（早稻田大学） ； Visual Geometry Group, University of Oxford（牛津大学视觉几何组）
AI总结 提出HanDyVQA基准，通过六类问题（11.1K QA对）和10.3K分割掩码，全面评估视频模型对手-物交互中操作与效果的细粒度时空推理能力，发现最佳模型Gemini-2.5-Pro仅73%准确率（人类97%）。
Comments CVPR 2026, Project page: https://masatate.github.io/HanDyVQA-project-page/
鼠标锁盒数据集：小鼠解决锁盒的行为识别
机构 * Max Planck Institute for Biological Cybernetics, Berlin, Germany（柏林生物医学信息学研究所）
AI总结 本文提出一个包含小鼠解决复杂机械谜题的视频数据集，用于评估帧级动作分类方法，提供人工标注标签以研究细粒度行为自动标注的挑战。
Comments Accepted and published (poster) at the CV4Animals: Computer Vision for Animal Behavior Tracking and Modeling workshop, in conjunction with Computer Vision and Pattern Recognition (CVPR) 2025
扩散变压器的区域自适应采样
机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research（微软研究院）
AI总结 提出RAS，一种无需训练的自适应采样策略，通过动态分配不同采样比例到图像区域，实现扩散变压器2.36-2.51倍加速且质量损失极小。
Comments CVPR'26 Poster
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