CVPR

Towards Realistic and Consistent Orbital Video Generation via 3D Foundation Priors

通过3D基础先验实现逼真且一致的轨道视频生成

Rong Wang, Ruyi Zha, Ziang Cheng, Jiayu Yang, Pulak Purkait, Hongdong Li

机构 * Australian National University（澳大利亚国立大学） ； Amazon（亚马逊） 纠错

AI总结 本文提出利用3D基础生成模型的丰富形状先验作为辅助约束，以生成几何逼真且一致的轨道视频，通过多尺度latent特征提升生成效率和形状真实感。

Comments Accepted to CVPR 2026

BarbieGait: An Identity-Consistent Synthetic Human Dataset with Versatile Cloth-Changing for Gait Recognition

BarbieGait: 一种具有多功能衣物变换的恒定身份合成人类数据集用于步态识别

Qingyuan Cai, Saihui Hou, Xuecai Hu, Yongzhen Huang

机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； AMAP, Alibaba Group（阿里集团AMAP） 纠错

AI总结 本文提出BarbieGait数据集，通过虚拟引擎模拟衣物变换以保持步态身份信息，提出GaitCLIF模型提升跨衣物步态识别性能，推动相关研究进展。

Comments CVPR 2026, Project Page: https://github.com/BarbieGait/BarbieGait

VidTAG: Temporally Aligned Video to GPS Geolocalization with Denoising Sequence Prediction at a Global Scale

VidTAG: 全球范围内基于时间对齐的视频到GPS地理定位与去噪序列预测

Parth Parag Kulkarni, Rohit Gupta, Prakash Chandra Chhipa, Mubarak Shah

机构 * Institute of Artificial Intelligence, University of Central Florida（人工智能研究所，中央佛罗里达大学） ； Luleå Tekniska Universitet（卢勒奥理工大学） ； Amazon Prime Video Science（亚马逊Prime视频科学） 纠错

AI总结 VidTAG通过双编码器框架实现视频到GPS的细粒度地理定位，结合自监督与语言对齐特征，利用TempGeo和GeoRefiner模块提升时间一致性，优于基线模型20%并在全球粗粒度任务中超越现有方法25%。

Comments Accepted at CVPR 2026

Fall Risk and Gait Analysis in Community-Dwelling Older Adults using World-Spaced 3D Human Mesh Recovery

社区老年人跌倒风险与步态分析中的世界空间3D人体网格恢复

Chitra Banarjee, Patrick Kwon, Ania Lipat, Rui Xie, Chen Chen, Ladda Thiamwong

机构 * College of Medicine, UCF（UCF医学院） ； Institute of AI, UCF（UCF人工智能研究所） ； College of Nursing, UCF（UCF护理学院） ； College of Sciences, UCF（UCF科学学院） 纠错

AI总结 本文提出利用3D人体网格恢复模型提取步态参数，分析社区老年人的步态特征，发现步态时间与惯性测量单元数据显著相关，揭示高跌倒风险与步态特征的关联。

Comments Work was accepted at Computer Vision for Biomechanics Workshop (CVBW) at CVPR 2026

V-Nutri: Dish-Level Nutrition Estimation from Egocentric Cooking Videos

V-Nutri：从第一人称烹饪视频进行菜品营养估计

Chengkun Yue, Chuanzhi Xu, Jiangpeng He

机构 * Indiana University（印第安纳大学） ； The University of Sydney（悉尼大学） 纠错

AI总结 本文提出V-Nutri框架，结合预训练视觉模型和轻量级融合模块，利用烹饪过程关键帧提升菜品营养估计精度。

Comments Accepted to the 3rd MetaFood Workshop at CVPR 2026

Bootstrapping Video Semantic Segmentation Model via Distillation-assisted Test-Time Adaptation

通过蒸馏辅助测试时适应提升视频语义分割模型

Jihun Kim, Hoyong Kwon, Hyeokjun Kweon, Kuk-Jin Yoon

机构 * KAIST（韩国科学技术院） ； Chung-Ang University（Chung-Ang 大学） 纠错

AI总结 本文提出DiTTA框架，通过高效测试时适应将图像分割模型转化为时间感知的视频分割模型，无需标注视频，实验表明其在VSPW和Cityscapes上表现优异。

Comments accepted at CVPR 2026

Latent Chain-of-Thought World Modeling for End-to-End Driving

潜在链式思维世界建模用于端到端驾驶

Shuhan Tan, Kashyap Chitta, Yuxiao Chen, Ran Tian, Yurong You, Yan Wang, Wenjie Luo, Yulong Cao, Philipp Krahenbuhl, Marco Pavone, Boris Ivanovic

机构 * UT Austin（得克萨斯大学奥斯汀分校） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出Latent-CoT-Drive模型，通过潜在语言整合链式思维推理与决策，提升驾驶性能与安全性，实现更快推理和更优轨迹质量。

Comments Accepted to CVPR 2026

CropVLM: Learning to Zoom for Fine-Grained Vision-Language Perception

CropVLM: 为细粒度视觉语言感知学习动态聚焦

Miguel Carvalho, Helder Dias, Bruno Martins

机构 * INESC-ID, Instituto Superior Técnico, University of Lisbon（INESC-ID，理工学院，里斯本大学） 纠错

AI总结 CropVLM通过强化学习提升VLM在细粒度图像理解任务中的性能，无需人工标注或合成数据，有效增强模型对细节的捕捉能力。

Comments Accepted to the GRAIL-V Workshop at CVPR 2026

LottieGPT: Tokenizing Vector Animation for Autoregressive Generation

LottieGPT：为自回归生成设计向量动画的标记化

Junhao Chen, Kejun Gao, Yuehan Cui, Mingze Sun, Mingjin Chen, Shaohui Wang, Xiaoxiao Long, Fei Ma, Qi Tian, Ruqi Huang, Hao Zhao

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； AIR, Tsinghua University（清华大学人工智能研究院） ； BAAI（百度人工智能研究院） ； The Hong Kong Polytechnic University（香港理工大学） ； Nanjing University（南京大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳）） 纠错

AI总结 本文提出首个向量动画标记化与自回归生成框架，基于Lottie标准设计标记器并构建大规模数据集，通过微调Qwen-VL生成可编辑的向量动画。

Comments Accepted by CVPR 2026. Project Page: https://lottiegpt.github.io/

Seeing Through the Tool: A Controlled Benchmark for Occlusion Robustness in Foundation Segmentation Models

透过工具看见：面向基础分割模型遮挡鲁棒性的受控基准

Nhan Ho, Luu Le, Thanh-Huy Nguyen, Thien Nguyen, Xiaofeng Liu, Ulas Bagci

机构 * Stony Brook University（石溪大学） ； AIMA Research Lab（AIMA研究实验室） ； Carnegie Mellon University（卡内基梅隆大学） ； Yale University（耶鲁大学） ； Northwestern University（西北大学） 纠错

AI总结 本文提出OccSAM-Bench基准，评估分割模型在合成手术遮挡下的性能，揭示两种模型类型：遮挡意识模型和遮挡无关模型，强调临床需求驱动的模型选择。

Comments Accepted at CV4Clinic, CVPR 2026. 10 pages, 4 figures

UNIGEOCLIP: Unified Geospatial Contrastive Learning

UNIGEOCLIP：统一地理对比学习

Guillaume Astruc, Eduard Trulls, Jan Hosang, Loic Landrieu, Paul-Edouard Sarlin

机构 * LASTIG, Univ Gustave Eiffel, IGN, ENSG, France（LASTIG，古斯塔夫·埃菲尔大学，法国国家地理林业信息研究所，法国国家地理科学学院，法国） ； Google, Switzerland（谷歌，瑞士） ； CNES, France（法国国家空间研究中心，法国） ； LIGM, CNRS, Univ Gustave Eiffel, ENPC, Institut Polytechnique de Paris, Marne-la-Vallée, France（LIGM，法国国家科学研究中心，古斯塔夫·埃菲尔大学，巴黎高科桥梁学院，巴黎理工学院，马恩拉瓦莱，法国） 纠错

AI总结 UNIGEOCLIP通过统一嵌入空间对五种地理模态进行联合对齐，提升多模态地理数据的对比学习性能，优于单一模态模型和坐标基线。

Journal ref CVPR 2026 EarthVision

STS-Mixer: Spatio-Temporal-Spectral Mixer for 4D Point Cloud Video Understanding

STS-Mixer：用于4D点云视频理解的时空频混合器

Wenhao Li, Xueying Jiang, Gongjie Zhang, Xiaoqin Zhang, Ling Shao, Shijian Lu

机构 * Nanyang Technological University（南洋理工大学） ； Alibaba Group（阿里巴巴集团） ； Zhejiang University of Technology（浙江工业大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 本文提出STS-Mixer框架，通过将4D点云视频转换为图谱信号，结合时空与频域信息，提升对4D点云视频的几何结构和时间动态的理解。

Comments Accepted by CVPR 2026, Open Sourced

GeomPrompt: Geometric Prompt Learning for RGB-D Semantic Segmentation Under Missing and Degraded Depth

GeomPrompt：用于在缺失和退化深度下的RGB-D语义分割的几何提示学习

Krishna Jaganathan, Patricio Vela

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 GeomPrompt通过从RGB生成任务驱动的几何提示，提升RGB-D语义分割在缺失和退化深度下的性能，同时比单目深度估计器更高效。

Comments Accepted to the CVPR 2026 URVIS Workshop. Project page: https://geomprompt.github.io

Seeing Through Touch: Tactile-Driven Visual Localization of Material Regions

透过触觉：基于触觉驱动的材料区域视觉定位

Seongyu Kim, Seungwoo Lee, Hyeonggon Ryu, Joon Son Chung, Arda Senocak

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Hankuk University of Foreign Studies（韩国外国语大学） ； Ulsan National Institute of Science and Technology（蔚山科学技术院） 纠错

AI总结 本文提出通过密集跨模态特征交互学习局部视觉-触觉对齐，生成触觉条件下的材料分割热图，提升材料区域视觉定位的鲁棒性和多样性。

Comments CVPR 2026. Project page: https://mm.kaist.ac.kr/projects/SeeingThroughTouch/

Finetune Like You Pretrain: Boosting Zero-shot Adversarial Robustness in Vision-language Models

微调如你预训练：提升视觉语言模型零样本对抗鲁棒性

Songlong Xing, Weijie Wang, Zhengyu Zhao, Jindong Gu, Philip Torr, Nicu Sebe

机构 * University of Trento（特伦托大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） ； Xi’an Jiaotong University（西安交通大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出AdvFLYP方法，通过遵循CLIP预训练过程的训练配方，利用网络上收集的图像-文本对生成对抗样本，并通过对比损失匹配文本，提升视觉语言模型的零样本对抗鲁棒性。

Comments Accepted to CVPR Findings Track 2026

NTIRE 2026 Challenge on Robust AI-Generated Image Detection in the Wild

2026年NTIRE挑战赛：野外鲁棒AI生成图像检测挑战

Aleksandr Gushchin, Khaled Abud, Ekaterina Shumitskaya, Artem Filippov, Georgii Bychkov, Sergey Lavrushkin, Mikhail Erofeev, Anastasia Antsiferova, Changsheng Chen, Shunquan Tan, Radu Timofte, Dmitry Vatolin, Chuanbiao Song, Zijian Yu, Hao Tan, Jun Lan, Zhiqiang Yang, Yongwei Tang, Zhiqiang Wu, Jia Wen Seow, Hong Vin Koay, Haodong Ren, Feng Xu, Shuai Chen, Ruiyang Xia, Qi Zhang, Yaowen Xu, Zhaofan Zou, Hao Sun, Dagong Lu, Mufeng Yao, Xinlei Xu, Fei Wu, Fengjun Guo, Cong Luo, Hardik Sharma, Aashish Negi, Prateek Shaily, Jayant Kumar, Sachin Chaudhary, Akshay Dudhane, Praful Hambarde, Amit Shukla, Zhilin Tu, Fengpeng Li, Jiamin Zhang, Jianwei Fei, Kemou Li, Haiwei Wu, Bilel Benjdira, Anas M. Ali, Wadii Boulila, Chenfan Qu, Junchi Li

AI总结 本文介绍了2026年NTIRE挑战赛，旨在开发能区分真实图像与生成图像的模型，针对实际场景中的图像变换（如裁剪、缩放、压缩、模糊）提升检测鲁棒性。

Comments CVPR 2026 NTIRE Workshop Paper, Robust AI-Generated Image Detection Technical Report

LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization

LEADER: 学习可靠的局部到全局对应关系用于LiDAR重定位

Jianshi Wu, Minghang Zhu, Dunqiang Liu, Wen Li, Sheng Ao, Siqi Shen, Chenglu Wen, Cheng Wang

机构 * Fujian Key Laboratory of Urban Intelligent Sensing and Computing（福建省城市智能感知与计算重点实验室） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, School of Informatics, Xiamen University（多媒体可信感知与高效计算教育部重点实验室，厦门大学信息学院） ； School of Engineering Mathematics and Technology, University of Bristol（布里斯托大学工程数学与技术学院） 纠错

AI总结 本文提出LEADER框架，通过几何编码器提升描述性，采用截断相对可靠性损失减少不可靠预测影响，实验表明在Oxford RobotCar和NCLT数据集上性能优于现有方法。

Comments Accepted to CVPR 2026 (Highlight)

NTIRE 2026 The 3rd Restore Any Image Model (RAIM) Challenge: AI Flash Portrait (Track 3)

NTIRE 2026 第三次恢复任何图像模型（RAIM）挑战：AI闪光人像（第三赛道）

Ya-nan Guan, Shaonan Zhang, Hang Guo, Yawen Wang, Xinying Fan, Tianqu Zhuang, Jie Liang, Hui Zeng, Guanyi Qin, Lishen Qu, Tao Dai, Shu-Tao Xia, Lei Zhang, Radu Timofte, Bin Chen, Yuanbo Zhou, Hongwei Wang, Qinquan Gao, Tong Tong, Yanxin Qian, Lizhao You, Jingru Cong, Lei Xiong, Shuyuan Zhu, Zhi-Qiang Zhong, Kan Lv, Yang Yang, Kailing Tang, Minjian Zhang, Zhipei Lei, Zhe Xu, Liwen Zhang, Dingyong Gou, Yanlin Wu, Cong Li, Xiaohui Cui, Jiajia Liu, Guoyi Xu, Yaoxin Jiang, Yaokun Shi, Jiachen Tu, Liqing Wang, Shihang Li, Bo Zhang, Biao Wang, Haiming Xu, Xiang Long, Xurui Liao, Yanqiao Zhai, Haozhe Li, Shijun Shi, Jiangning Zhang, Yong Liu, Kai Hu, Jing Xu, Xianfang Zeng, Yuyang Liu, Minchen Wei

AI总结 本文提出NTIRE 2026第三次RAIM挑战，聚焦AI闪光人像赛道，旨在解决低光照条件下人像修复的噪声抑制、细节保留与光照颜色还原平衡问题，提供包含800组真实低光照人像数据的评估数据集和基准代码。

Comments Accepted to CVPR 2026 Workshop. Includes supplementary material as ancillary file

Boxes2Pixels: Learning Defect Segmentation from Noisy SAM Masks

Boxes2Pixels: 从噪声SAM掩码中学习缺陷分割

Camile Lendering, Erkut Akdag, Egor Bondarev

机构 * Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 本文提出Boxes2Pixels框架，通过将SAM视为噪声教师，利用分层解码器和在线自修正机制提升缺陷分割精度，实现在工业表面中提升mIoU和IoU指标。

Comments Accepted for presentation at the AI4RWC Workshop at CVPR 2026

rPPG-VQA: A Video Quality Assessment Framework for Unsupervised rPPG Training

rPPG-VQA：一种用于无监督rPPG训练的视频质量评估框架

Tianyang Dai, Ming Chang, Yan Chen, Yang Hu

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 本文提出rPPG-VQA框架，通过信号级和场景级分析评估视频对rPPG模型训练的适用性，结合双分支架构和两阶段自适应采样策略提升模型性能。

Comments Accepted by CVPR 2026

Hierarchical Textual Knowledge for Enhanced Image Clustering

层次化文本知识用于增强图像聚类

Yijie Zhong, Yunfan Gao, Weipeng Jiang, Haofen Wang

机构 * Tongji University（同济大学） ； Huawei Technologies Ltd.（华为技术有限公司） 纠错

AI总结 本文提出KEC方法，通过大语言模型构建层次化概念-属性知识，提升图像聚类的准确性与鲁棒性。

Comments Accepted by CVPR 2026

TerraSky3D: Multi-View Reconstructions of European Landmarks in 4K

TerraSky3D：欧洲地标多视角4K三维重建

Mattia D'Urso, Yuxi Hu, Christian Sormann, Mattia Rossi, Friedrich Fraundorfer

机构 * Graz University of Technology（格拉茨技术大学） ； Sony（索尼） 纠错

AI总结 TerraSky3D提供高分辨率的欧洲地标多视角三维重建数据集，包含5万张图像，涵盖地面、空中和混合场景，旨在为3D重建算法提供挑战性训练和评估数据。

Comments Accepted at 3DMV (CVPR Workshop 2026)

Learning to Focus and Precise Cropping: A Reinforcement Learning Framework with Information Gaps and Grounding Loss for MLLMs

学习聚焦与精确裁剪：一种带有信息缺口和接地损失的强化学习框架用于多模态大语言模型

Xuanpu Zhao, Zhentao Tan, Dianmo Sheng, Tianxiang Chen, Yao Liu, Yue Wu, Tao Gong, Qi Chu, Nenghai Yu

机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络空间安全学院） ； Anhui Province Key Laboratory of Digital Security（安徽省数字安全重点实验室） 纠错

AI总结 本文提出一种无需轨迹监督的两阶段强化学习框架，通过信息缺口机制和接地损失提升多模态大语言模型在复杂视觉场景中的感知与推理能力，实验显示其在高分辨率视觉问答基准上达到最优性能。

Comments Accepted by CVPR 2026

A Two-Stage Dual-Modality Model for Facial Emotional Expression Recognition

一种两阶段双模态模型用于面部情绪表达识别

Jiajun Sun, Zhe Gao

机构 * Shanghai Normal University（上海师范大学） 纠错

AI总结 本文提出一种两阶段双模态模型，通过预训练DINOv2编码器提取鲁棒视觉特征，并结合Wav2Vec 2.0音频特征进行融合，提升面部情绪识别性能。

Comments Camera-ready version. 14 pages, 5 figures in total: 8 pages main text with 4 figures, 3 pages references, and 3 pages appendix with 1 figure. Accepted at the 10th ABAW Workshop, CVPR 2026

LEAD: Minimizing Learner-Expert Asymmetry in End-to-End Driving

LEAD：最小化学习者-专家不对称性以实现端到端驾驶

Long Nguyen, Micha Fauth, Bernhard Jaeger, Daniel Dauner, Maximilian Igl, Andreas Geiger, Kashyap Chitta

机构 * University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； NVIDIA Research（英伟达研究院） ； KE:SAI 纠错

AI总结 本文研究了仿真中专家示范与学生观测不一致对模仿学习的影响，提出TransFuser v6在CARLA等基准中取得新突破，提升驾驶性能。

Comments Accepted at CVPR 2026

FRAMER: Frequency-Aligned Self-Distillation with Adaptive Modulation Leveraging Diffusion Priors for Real-World Image Super-Resolution

FRAMER：基于扩散先验的频率对齐自蒸馏与自适应调制的现实世界图像超分辨率

Seungho Choi, Jeahun Sung, Jihyong Oh

AI总结 FRAMER通过利用扩散先验，采用频率对齐自蒸馏和自适应调制方法，提升现实世界图像超分辨率的PSNR/SSIM及感知指标。

Comments CVPR 2026 (camera ready ver.). Please visit our project page at https://cmlab-korea.github.io/FRAMER/

PnP-CM: Consistency Models as Plug-and-Play Priors for Inverse Problems

PnP-CM：一致性模型作为逆问题的即插即用先验

Merve Gülle, Junno Yun, Yaşar Utku Alçalar, Mehmet Akçakaya

机构 * University of Minnesota（明尼苏达大学） 纠错

AI总结 本文提出PnP-CM，将一致性模型视为先验的近端算子，用于解决多种逆问题，通过改进的ADMM框架和噪声扰动，在低NFE情况下实现高质量重建。

Comments IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026

VS-Bench: Evaluating VLMs for Strategic Abilities in Multi-Agent Environments

VS-Bench：评估多智能体环境中视觉语言模型的战略能力

Zelai Xu, Zhexuan Xu, Xiangmin Yi, Huining Yuan, Mo Guang, Kaiwen Long, Xinlei Chen, Yi Wu, Chao Yu, Yu Wang

机构 * EE, Tsinghua University（清华大学电子工程系） ； SIGS, Tsinghua University（清华大学深圳国际研究生院） ； Li Auto Inc.（理想汽车） ； IIIS, Tsinghua University（清华大学交叉信息研究院） 纠错

AI总结 VS-Bench是首个评估多智能体环境中视觉语言模型战略能力的多模态基准，涵盖合作、竞争和混合动机交互，通过感知、推理和决策三个维度评估15种领先模型，揭示当前模型在推理和决策上的显著差距。

Comments Published at CVPR 2026 (Oral)

SpatialScore: Towards Comprehensive Evaluation for Spatial Intelligence

SpatialScore：迈向空间智能的综合评估

Haoning Wu, Xiao Huang, Yaohui Chen, Ya Zhang, Yanfeng Wang, Weidi Xie

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

AI总结 本文提出SpatialScore，首个全面评估多模态空间智能的基准，评估49个模型发现其在空间理解上存在显著差距，并构建了SpatialCorpus和SpatialAgent提升模型性能。

Comments Accepted by CVPR 2026 (Highlight); Project Page: https://haoningwu3639.github.io/SpatialScore

HumanVBench: Probing Human-Centric Video Understanding in MLLMs with Automatically Synthesized Benchmarks

HumanVBench: 通过自动合成基准测试探测多模态大语言模型中的以人为本的视频理解

Ting Zhou, Daoyuan Chen, Qirui Jiao, Bolin Ding, Yaliang Li, Ying Shen

机构 * Sun Yat-Sen University（中山大学） ； Alibaba Group（阿里巴巴集团） ； Peng Cheng Laboratory（鹏城实验室） ； Guangdong Provincial Key Laboratory of Fire Science and Intelligent Emergency Technology（广东省消防科学与智能应急技术重点实验室） 纠错

AI总结 本文提出HumanVBench，一个针对多模态大语言模型（MLLMs）中以人为本的视频理解能力的综合基准测试，通过自动化流程生成高质量视频注释和挑战性问题，揭示30个领先MLLMs在感知细微情绪和对齐语音与视觉线索方面的不足。

Comments Accepted as a conference paper at CVPR 2026