CVPR

Mirror Illusion Art

镜像错觉艺术

Xiaopei Zhu, Zeyuan Li, Jun Zhu, Xiaolin Hu

机构 * Department of Computer Science and Technology, BNRist, Tsinghua University（清华大学计算机科学与技术系，北京信息科学与技术国家研究中心） ； Huazhong University of Science and Technology（华中科技大学） ； IDG/McGovern Institute for Brain Research, Tsinghua University（清华大学IDG/麦戈文脑科学研究院） ； Chinese Institute for Brain Research (CIBR)（北京脑科学与类脑研究中心） 纠错

AI总结 提出AutoMIA自动设计管道，联合优化形状与颜色，通过四种机制稳定优化并抑制伪影，实现从两张目标图像到可打印3D物体的镜像错觉艺术生成。

Comments CVPR 2026 Highlight, also got an Efficient CVPR award

How Much Future Helps? A Controlled Study of Future-Privileged Supervision for Causal Egocentric Gaze Estimation

未来有多大帮助？面向因果自我中心视线估计的未来特权监督受控研究

Jia Li, Wenjie Zhao, Fnu Atisri, Sanskriti Aripineni, Shijian Deng, Jon E. Froehlich, Yuhang Zhao, Yapeng Tian

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Washington（华盛顿大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 提出一种受控框架，通过训练时访问未来帧但推理时丢弃的未来感知分支，研究未来上下文对因果视线估计的影响，发现最优未来视野约1.7-3.3秒。

Comments Accepted to the 7th International Workshop on Eye and Gaze in Computer Vision (GAZE 2026), CVPR 2026. Best Paper Award

Local Motion Matters: A Deconstruct-Recompose Paradigm for Reinforcement Learning Pre-training from Videos

局部运动至关重要：一种用于从视频中进行强化学习预训练的解构-重组范式

Jinwen Wang, Youfang Lin, Xiaobo Hu, Shuo Wang, Kai Lv

机构 * Beijing Jiaotong University（北京交通大学） ； Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence（北京交通数据挖掘与具身智能重点实验室） 纠错

AI总结 提出解构-重组范式（DRP），通过解构全局运动为原子动作学习局部运动表示，再重组以加速下游策略学习，在机器人控制任务中显著提升样本效率。

Comments 20 pages, 16 figures

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026, pages 9859-9868

Autonomous UAV Navigation for Individual Wildlife Re-Identification

面向个体野生动物重识别的自主无人机导航

Claire Sun, Tanya Berger-Wolf, Jenna Kline

机构 * The Ohio State University（俄亥俄州立大学） 纠错

AI总结 提出一种自主无人机导航系统，结合YOLOv11检测和DINOv2姿态分类，实时优化图像捕获以支持下游个体重识别，在斑马等物种上验证可行性。

Comments Accepted at 2026 CV4Animals Workshop at CVPR

Phantom: A Unified Face-Swap Deepfake Protection Framework with Latent and Spatial Constraints

Phantom: 一种结合潜在与空间约束的统一换脸深度伪造防护框架

Jungkon Kim, Cheolseung Jung, Jong-Min Choi, Juseong Lee

机构 * Samsung Electronics, AI Platform Center（三星电子，AI平台中心） 纠错

AI总结 提出Phantom框架，通过自适应合成身份偏移目标引导潜在优化，并对语义相关面部区域施加掩蔽扰动，在换脸防护中提升成功率27.8%-16.6%，同时增强视觉质量。

Comments Accepted to CVPR 2026 (Findings)

Efficient Sim-to-Real Transfer of World-Action Models from Synthetic Priors

基于合成先验的世界-动作模型的高效仿真到现实迁移

Zixing Wang, Kausik Sivakumar, Jinghuan Shang, Yafei Hu, Zhaoming Xie, Ran Gong, Xiaohan Zhang, Karl Schmeckpeper

机构 * Purdue University（普渡大学） ； Robotics and AI Institute（机器人与人工智能研究所） 纠错

AI总结 本文研究从合成先验训练世界-动作模型并零样本部署到真实机器人操作，通过域随机化和AnyTask运动规划生成演示，首次成功实现仿真到现实的迁移。

Comments This work is accepted by CVPR'26, Embodied AI Workshop. This paper represent a part of early result of our official world-action model zero-shot sim-to-real transfer work, which will be released soon

Perceptual 3D Simulation With Physical World Modeling

基于物理世界建模的感知3D仿真

Wanhee Lee, Klemen Kotar, Rahul Mysore Venkatesh, Jared Watrous, Daniel L. K. Yamins

机构 * Stanford University（斯坦福大学） 纠错

AI总结 提出P3Sim系统，结合学习型物理世界模型、几何条件模块和持久场景记忆，在部分观测和不完整3D变换信号下模拟未来场景状态，实现多任务泛化。

Comments Published as a conference paper at CVPR 2026

Dataset Usage Inference without Shadow Models or Held-out Data

无需影子模型或保留数据的数据集使用推断

Wojciech Łapacz, Stanisław Pawlak, Jan Dubiński, Franziska Boenisch, Adam Dziedzic

机构 * Warsaw University of Technology（华沙理工大学） ； NASK National Research Institute（NASK国家研究所） ； CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） 纠错

AI总结 提出一种无需影子模型和真实保留数据的数据集使用推断方法，通过生成合成非成员样本并利用混合比例估计来量化训练数据占比。

Comments Accepted at the 2nd Workshop on Synthetic & Adversarial ForEnsics (SAFE), CVPR 2026 (non-archival)

GRAFT: Graph-Based Affordance Transfer via Part Correspondence

GRAFT: 基于部件对应的图结构功能迁移

Mengying Lin, Utkarsh Mishra, Ajay Mandlekar, Danfei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA（英伟达） 纠错

AI总结 提出GRAFT框架，利用部件级图表示和几何感知对应，通过单次演示实现零样本操作迁移，解决泛化到未见物体的挑战。

Journal ref In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026, pp. 8746-8755

Universal Guideline-Driven Image Clustering via a Hybrid LLM Agent

通用指南驱动图像聚类：基于混合LLM代理

Wenliang Zhong, Rob Barton, Lucas Goncalves, Kushal Kumar, Feng Jiang, Hehuan Ma, Yuzhi Guo, Vidit Bansal, Karim Bouyarmane, Junzhou Huang

机构 * The University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； Amazon（亚马逊） 纠错

AI总结 提出首个通用图像聚类框架，通过文本指南弥合任务差异，利用生成式概念代理建模和基于最小生成树的LLM遍历，在多种聚类场景中超越专用方法。

Comments CVPR 2026

The Impact of VAE Design on Latent Pose Representations for Diffusion-based Sign Language Production

VAE设计对基于扩散的手语生成中潜在姿态表示的影响

Guilhem Fauré, Mostafa Sadeghi, Sam Bigeard, Slim Ouni

机构 * CNRS（国家科学研究中心） ； Inria（法国国家信息与自动化技术研究所） ； LORIA（洛林信息与自动化研究所） 纠错

AI总结 研究变分自编码器（VAE）架构和训练目标设计如何影响潜在空间结构，进而影响基于潜在扩散模型的手语生成性能，发现潜在空间特性比重建精度更能解释生成性能差异。

Journal ref GenSign Generative AI for Sign Language CVPR 2026 Workshop, Jun 2026, Denver (Colorado, USA), France. pp. 10631-10640

Reference-Free Assessment of Physical Consistency in World Model-based Video Generation

基于世界模型的视频生成中物理一致性的无参考评估

Yun Oh, Sukmin Yun

机构 * Hanyang University ERICA（汉阳大学ERICA校区） 纠错

AI总结 提出结合相对与绝对方法的无参考度量，用于评估生成视频的物理一致性，无需人工投票或真实参考，通过DROID-SLAM和SEA-RAFT量化不一致性，过滤后视频任务成功率提升超8%，并实现时空定位。

Comments Accepted to the 2nd 3D-LLM/VLA Workshop, CVPR 2026

Zero-Shot Vision-Language Models for Classroom Engagement Recognition: A Benchmark Study of Prompt Sensitivity and Cross-Dataset Generalization

零样本视觉语言模型用于课堂投入度识别：提示敏感性与跨数据集泛化的基准研究

Aman Goyal, Kshama Nitin Shah, Kemmannu Vineet Venkatesh Rao

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； Magna International（麦格纳国际） 纠错

AI总结 本研究系统评估五种视觉语言模型在零样本条件下识别课堂投入度的表现，发现三个主要失败模式：个体学生识别近乎随机、类别崩溃和极端提示敏感性，但场景级分类效果较好。

Comments 11 pages, 6 figures, including supplementary material. Presented as a non-archival paper at the CV4Edu Workshop, CVPR 2026

Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification

超越平面标签：面向层次细粒度视觉分类的层级限制对比学习

Zhiyuan Tao, Srikumar Sastry, Matthew J Thompson, Elizabeth G Campolongo, Net Zhang, Ziheng Zhang, Hilmar Lapp, Yu Su, Tanya Berger-Wolf, Nathan Jacobs, Wei-Lun Chao, Jianyang Gu

机构 * The Ohio State University（俄亥俄州立大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Neuromatch ； Boston University（波士顿大学） 纠错

AI总结 针对多模态对比学习在层次标签空间中预测不一致的问题，提出层级限制对比学习，仅在同一层级内进行对比，并采用组平衡设计，显著提升层次一致性和分类精度。

Comments Accepted to CVPR 2026 FGVC Workshop

Scene-Level Heterogeneous Physics Simulation with 3D Gaussian Splats

基于3D高斯散点的场景级异构物理仿真

Xiaoyang Liu, Shangzhe Wu, Kai Han

机构 * The University of Hong Kong（香港大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 提出一种表示抽象框架，将3D高斯散点、虚拟网格和流体等异构资产统一为物理粒子集，实现场景级、多求解器的物理仿真，支持3DGS资产的非刚性变形与复杂双向交互。

Comments Accepted to CVPR 2026 Findings

Journal ref Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026, pp. 6456-6465

Adversarial Domain Prompt Tuning and Generation for Single Domain Generalization

对抗域提示调优与生成用于单域泛化

Zhipeng Xu, De Cheng, Xinyang Jiang, Nannan Wang, Dongsheng Li, Xinbo Gao

机构 * Xidian University（西安电子科技大学） ； Microsoft Research Asia（微软亚洲研究院） ； Chongqing University of Posts and Telecommunications（重庆邮电大学） 纠错

AI总结 提出渐进式对抗提示调优框架，利用预训练扩散模型生成多样域风格图像，实现单域泛化，性能超越现有方法。

Comments 12 pages, 6 figures, accepted by CVPR 2025

Cross-Modal Corroboration for Annotation-Free Wildlife Monitoring

跨模态验证实现无标注野生动物监测

Bharath Pillai, Varun Viswapriyan, Christopher Stewart, Tanya Berger-Wolf, Jenna Kline

机构 * The Ohio State University（俄亥俄州立大学） 纠错

AI总结 提出利用物种活动模式专家知识作为无标注验证信号，通过视觉和声学管道独立恢复活动模式并与行为先验三方一致，实现无需人工标注的野生动物监测。

Comments Presented at the 2026 CV4Animals Workshop, colocated with CVPR

BIT-Nav: Brain-Inspired Trajectory Memory for Embodied Navigation

BIT-Nav: 具身导航的脑启发轨迹记忆

Rithvik Jonna, Aakash Gurram, Man Namgung, Wyatt Mackey, Tinoosh Mohsenin

机构 * Johns Hopkins University（约翰霍普金斯大学） ； DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室） 纠错

AI总结 提出BIT-Nav框架，通过轻量级学习轨迹记忆增强冻结的视觉-语言模型导航，解决长序列中帧采样稀疏问题，以恒定token成本编码结构化运动历史。

Comments Accepted to CVPR 2026: 2nd Workshop on 3D-LLM/VLA: Bridging Language, Vision and Action in 3D Environments

Linear Recurrent Unit with Semantic Modulation for Image Super-Resolution

基于语义调制的线性递归单元用于图像超分辨率

Mingyu Choi, Woo Kyoung Han, Sunghoon Im, Kyong Hwan Jin

机构 * Korea University（高丽大学） ； DGIST（大邱庆北科学技术院） 纠错

AI总结 提出一种结合语义调制单元的线性递归网络，通过调制、空间分类和原型增强实现高效图像超分辨率，性能超越现有方法。

Comments Accepted to CVPR 2026 Findings

ProductConsistency: Improving Product Identity Preservation in Instruction-Based Image Editing via SFT and RL

ProductConsistency：通过SFT和RL改进基于指令的图像编辑中的产品身份保持

Mukund Khanna, Raj Singh Yadav, Kunal Singh

机构 * Fractal Analytics 纠错

AI总结 针对基于指令的图像编辑中产品特征保持不足的问题，提出ProductConsistency数据集和循环一致性奖励，结合监督微调与强化学习，显著提升产品一致性、文本渲染和视觉质量。

Comments CVPR HiGen 2026

SCR-Guided Difficulty-Aware Optimization for Infrared Small Target Detection

SCR引导的困难感知优化用于红外小目标检测

Yunus Sevim, Behçet Uğur Töreyin

机构 * Aselsan（阿塞尔桑公司） ； Istanbul Technical University（伊斯坦布尔理工大学） 纠错

AI总结 提出REEM框架，利用信杂比作为可见性先验，通过可微调制软IoU损失，提升低可见性目标检测性能，无需额外参数或推理开销。

Comments Accepted at CVPR 2026 Workshops (PBVS). Published version: https://openaccess.thecvf.com/content/CVPR2026W/PBVS/html/Sevim_SCR-Guided_Difficulty-Aware_Optimization_for_Infrared_Small_Target_Detection_CVPRW_2026_paper.html

InTrain: Intrinsic Trainability for Zero-Cost Neural Architecture Search

InTrain: 面向零成本神经架构搜索的内在可训练性

Qinqin Zhou, Fuhai Chen, Jipeng Wu, Zhiwei Chen, Zhikai Hu, Weiwei Cai

机构 * School of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院） ； School of Computer and Data Science, Minjiang University（闽江学院计算机与数据科学学院） ； School of Artificial Intelligence, Nanchang University（南昌大学人工智能学院） ； Department of Computer Science, Hong Kong Baptist University（香港浸会大学计算机科学系） ； School of Interdisciplinary Medicine and Engineering, Harbin Medical University（哈尔滨医科大学跨学科医学与工程学院） 纠错

AI总结 提出统一理论代理InTrain，通过几何容量和优化韧性两个协同成分形式化架构的可训练性，在NAS基准上达到与集成方法相当的排序相关性。

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

When Prompts Mislead: Textual Dominance and Diagnostic Bias in MLLMs

当提示误导：多模态大语言模型中的文本主导与诊断偏差

Inhyuk Park, Doohyun Park

AI总结 研究揭示在医学多模态大语言模型中，文本提示会主导视觉线索，导致诊断偏差，即使模型具备空间定位能力，提示策略仍可能不安全。

Comments Accepted to the CVPR 2026 MMFM-BIOMED Workshop

Latent Space Reinforcement Learning for Inverse Material Estimation in Food Fracture Simulation

潜空间强化学习用于食品断裂模拟中的逆材料估计

Adrian Ramlal, Yuhao Chen, John S. Zelek

机构 * University of Waterloo（滑铁卢大学） 纠错

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: Visual Elements Interleaved Long-form Answer Generation for Real-World Multimodal Document QA

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

Young Rok Jang, Hyesoo Kong, Kyunghwan An, Jae Sub Huh, Gyeonghun Kim, Stanley Jungkyu Choi

机构 * LG AI Research（LG AI研究院） 纠错

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: A Framework for Evaluating Multimodal Explainability Methods

GridVQA-X: 评估多模态可解释性方法的框架

Sujay Belsare, Sudarshan Nikhil, Sushant Kumar, Ponnurangam Kumaraguru, Chirag Agarwal

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） 纠错

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

Hierarchical GRU with Input-Conditioned Slot Queries for Ball Action Anticipation

基于输入条件化槽查询的分层GRU用于足球动作预测

Parthsarthi Rawat

机构 * GameChanger by Dick’s Sporting Goods（迪克体育用品的GameChanger） 纠错

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

One Layer's Trash is Another Layer's Treasure: Adaptive Layer-wise Visual Token Selection in LVLMs

一层的垃圾是另一层的宝藏：LVLMs中自适应逐层视觉标记选择

Yongru Chen, Kai Zhang, Zeliang Zong, Yuchen Lu, Wenming Tan, Ye Ren, Jilin Hu

机构 * Hikvision Research Institute（海康威视研究院） ； Peking University（北京大学） ； East China Normal University（华东师范大学） 纠错

AI总结 提出自适应逐层视觉标记选择（ALVTS），通过轻量级选择器为不同层路由重要标记，实现高效压缩，在89%压缩率下保留96.7%精度。

Comments Accepted by CVPR 2026 (highlight)

FloVerse: Floor Plan-Guided Multi-Modal Navigation

FloVerse：基于楼层平面图的多模态导航

Weiqi Huang, Shuangyi Dong, Jiaxin Li, Yifei Guo, Zan Wang, Wei Liang

机构 * School of Computer Science & Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院） 纠错

AI总结 提出FloVerse任务统一PointNav、ObjectNav和ImageNav，构建FloVerse-1.6K数据集，并设计ThreeDiff两阶段模仿学习策略，利用楼层平面图先验提升导航性能。

Comments Accepted at CVPR 2026

Reasoning for Mobile User Experience with Multimodal LLMs: Task, Benchmark, and Approach

基于多模态大语言模型的移动用户体验推理：任务、基准与方法

Ruichao Mao, Zhou Fang, Teng Guo, Hao Yang, Yaping Li, Shaohua Peng, Maji Huang, Xiaoyu Lin, Shuoyang Liu, Xuepeng Li, Yuyu Zhang, Hai Rao

机构 * Ant Group（蚂蚁集团） 纠错

AI总结 提出UXBench基准（2000个VQA样本）评估多模态大模型在UI推理上的能力，并设计UI-UX模型，通过奖励路由和不对称过渡奖励机制在UXBench上达到0.7963准确率，超越Claude-4.5-Sonnet。

Comments 10 pages, 6 figures, Accepted at CVPR 2026 Findings