CVPR

Brewing Stronger Features: Dual-Teacher Distillation for Multispectral Earth Observation

酿造更强的特征：多光谱地球观测的双教师蒸馏

Filip Wolf, Blaž Rolih, Luka Čehovin Zajc

机构 * University of Ljubljana, Faculty of Computer and Information Science（卢布尔雅纳大学计算机与信息科学学院） 纠错

AI总结 本文提出双教师对比蒸馏框架，用于多光谱地球观测，通过结合多光谱和光学教师，实现跨模态表示学习，提升多光谱和光学数据的性能。

Comments Accepted to CVPR 2026 as Highlight

Kontinuous Kontext: Continuous Strength Control for Instruction-based Image Editing

连续上下文：基于指令的图像编辑的连续强度控制

Rishubh Parihar, Or Patashnik, Daniil Ostashev, R. Venkatesh Babu, Daniel Cohen-Or, Kuan-Chieh Wang

机构 * Snap Research ； Tel Aviv University（特拉维夫大学） ； IISc Bangalore（班加罗尔IISc） 纠错

AI总结 研究基于指令的图像编辑中编辑强度控制问题，提出连续上下文模型，通过扩展先进模型并引入标量编辑强度，训练轻量级投影网络，合成多样数据集，实现对多种图像编辑操作的编辑强度统一细粒度控制。

Comments Project Page: https://snap-research.github.io/kontinuouskontext/, Accepted at CVPR 2026

Onboarding Without Forgetting: Hypernetwork Personalization with Data-Free Replay for Personalized Federated Learning

不忘旧知：用于个性化联邦学习的无数据重放超网络个性化

Thinh Nguyen, Le Huy Khiem, Van-Tuan Tran, Khoa D Doan, Nitesh V Chawla, Kok-Seng Wong

机构 * VinUni-Illinois Smart Health Center（VinUni-Illinois智能健康中心） ； College of Engineering & Computer Science（工程与计算机科学学院） ； University of Notre Dame（诺特丹大学） ； Technische Universität Berlin（柏林技术大学） 纠错

AI总结 研究联邦学习中新客户端分批加入场景，提出pFedDSH方法，结合中央超网络、二进制掩码和无数据重放，平衡新旧客户端利益，在不暴露数据情况下传播改进，实验证明该方法能保持现有客户端稳定性，维持新客户端通信及适应成本不变。

Comments CVPR 2026 Findings