期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
MINERVA-Cultural: 一个用于文化和多语言长视频推理的基准
机构 * Google DeepMind（谷歌DeepMind） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出MINERVA-Cultural基准，旨在解决现有视频评估中文化偏见问题，通过多语言多文化视频数据和原生语言问题，推动视频推理模型的发展。
Comments Accepted to CVPR 2026
RenderFlow：通过流匹配实现单步神经渲染
机构 * Disney Research|Studios（迪士尼研究院/工作室） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出RenderFlow框架，通过流匹配方法实现单步神经渲染，解决传统渲染方法的效率与精度问题，提升渲染质量和视觉效果。
Comments CVPR 2026; Supplementary material included
图像扩散预览与一致性求解器
机构 * Google DeepMind（谷歌DeepMind） ； The Chinese University of Hong Kong（香港中文大学） ； Seoul National University（首尔大学）
AI总结 本文提出ConsistencySolver，通过强化学习优化的轻量高阶求解器，提升图像扩散预览的质量与一致性，减少推理步骤，提高交互效率。
Comments Accepted by CVPR 2026
TRANSPORTER：从VLM流形转移视觉语义
机构 * University of Twente, NL（荷兰特温特大学）
AI总结 本文提出TRANSPORTER方法，通过logits-to-video任务生成视频，揭示VLM预测背后的规则，为模型可解释性提供新方向。
Comments Accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026, Project page: https://alexandrosstergiou.github.io/TRANSPORTER
LaSM：用于防御GUI代理中弹出攻击的分层缩放机制
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出LaSM机制，通过分层放大关键层的注意力和MLP模块，提升模型对任务相关区域的对齐性，有效防御弹出攻击，同时不影响模型整体能力。
Comments Accepted by CVPR-26
HazeMatching：利用引导条件流匹配去雾光学显微镜图像
机构 * Human Technopole（人类技术中心） ； Technische Universität Dresden（德累斯顿工业大学）
AI总结 本文提出HazeMatching方法，通过引导条件流匹配框架平衡去雾图像的保真度与真实感，利用模糊观测引导生成过程，有效解决显微图像去雾中的保真与真实感平衡问题。
Comments Accepted to IEEE/CVF CVPR 2026 (Findings). 4 figures, 8 pages + refs, 45 pages total (including supplement), 28 supplementary figures
扰动与恢复：用于从CLIP中有效移除后门的微调
机构 * University of Tübingen & Tübingen AI Center（蒂宾根大学 & 蒂宾根人工智能中心） ； EPFL（瑞士联邦理工学院洛桑）
AI总结 本文提出PAR机制，通过微调有效移除CLIP中的后门，实验表明其在不同编码器和攻击类型上均能保持良好性能，且无需真实训练数据。
Comments CVPR 2026 Findings
DeepSpeak 数据集
机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学）
AI总结 本文提出DeepSpeak数据集，包含超过100小时的真实和深度伪造音频视频内容，旨在解决复杂的说话人头像场景。通过提供高质量的真实数据和生成的深度伪造数据，以及基于嵌入的身份匹配方法，提升深度伪造检测的鲁棒性。
Comments https://github.com/hfaridlab/deepspeak
Journal ref Published in CVPR 2026 Findings
通过组合并行令牌预测实现可控图像生成
机构 * Durham University（杜伦大学）
AI总结 本文提出一种理论指导的离散生成过程组合方法，通过掩码生成（吸收扩散）实现多输入条件的精确组合，提升图像生成的可控性和效率。
Comments 8 pages + references, 7 figures, accepted to CVPR Workshops 2026 (LoViF)
Vanast：通过合成三元监督实现的人像虚拟试穿
机构 * Seoul National University（首尔国立大学）
AI总结 Vanast通过统一框架直接从单张人体图像、服装图像和姿态引导视频生成服装转移的人形动画视频，解决传统两阶段流程导致的身份漂移、服装扭曲和前后不一致问题。
Comments Accepted to CVPR 2026, Project Page: https://hyunsoocha.github.io/vanast/
PointTPA：用于3D场景理解的动态网络参数适应
机构 * Huazhong University of Science and Technology（华中科技大学）
AI总结 PointTPA通过动态网络参数适应提升3D场景理解，采用SNG和DPP方法生成输入感知参数，实现参数高效且在ScanNet上取得78.4% mIoU。
Comments Accepted by CVPR 2026. The code is available at https://github.com/H-EmbodVis/PointTPA
一个标记值得一个标记：高效生成世界建模与Delta标记
机构 * Amazon（亚马逊） ； Eindhoven University of Technology（埃因霍温理工大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出DeltaTok和DeltaWorld，通过将视频特征差值编码为单个连续标记，实现高效生成世界建模，减少参数和计算量，提升预测多样性。
Comments CVPR 2026. Code and weights: https://deltatok.github.io
HorizonWeaver: 通用多级语义编辑用于驾驶场景
机构 * Simon Fraser University（西蒙菲莎大学） ； NEC Labs America（NEC美国实验室）
AI总结 本文提出HorizonWeaver，通过多级粒度、丰富高层语义和普遍领域转移解决驾驶场景编辑难题，构建大规模数据集并改进模型与训练方法，实现复杂驾驶场景的高质量指令驱动编辑。
Comments CVPR Findings 2026
通过标记表示实现统一的向量平面图生成
机构 * The University of Tokyo（东京大学）
AI总结 本文提出Floorplan Markup Language，通过统一的结构化语法生成平面图，开发出 FMLM 模型，在多种条件下生成高质量平面图，实验显示其优于以往专用方法。
Comments CVPR 2026. Webpage: https://mapooon.github.io/FMLPage
不要浪费比特！面向轻量级设备LLM的自适应KV缓存量化
机构 * Clemson University（克莱姆森大学）
AI总结 本文提出自适应KV缓存量化方法，通过动态调整token重要性分配比特数，减少内存和延迟并提升准确性。
Comments Accepted by the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
擦除或侵蚀？评估未学习文本到图像扩散模型中的组合退化
AI总结 本文通过组合文本到图像生成视角，评估未学习方法对 nudity 的影响，发现去除非目标概念与组合完整性之间存在权衡，现有评估方法存在局限。
Comments Accepted at CVPR 2026 Workshop on Machine Unlearning for Computer Vision
Saliency-R1: 通过显著图对齐奖励增强可解释性和忠实的视觉-语言推理
机构 * The Chinese University of Hong Kong（香港中文大学） ； City University of Hong Kong（香港城市大学）
AI总结 Saliency-R1通过显著图对齐奖励提升视觉-语言模型的推理可解释性和忠实性，利用显著图技术高效突出关键图像区域，结合GRPO优化策略增强模型对相关区域的关注，实验显示提升推理忠实性和任务性能。
Comments CVPR 2026
RAVEN：用于高效脉冲波束成像的雷达自适应视觉编码器
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 RAVEN通过高效处理雷达数据实现目标检测和分割，采用自适应编码和早退出机制提升效率，减少计算量和延迟。
Comments CVPR submission / conference paper
Journal ref Computer Vision and Pattern Recognition Conference 2026
TM-BSN：三角掩码盲 spot 网络用于真实世界自监督图像去噪
机构 * Department of ECE, INMC, Seoul National University（首尔大学电气与计算机工程系、INMC） ； IPAI, Seoul National University（首尔大学IPAI）
AI总结 本文提出TM-BSN网络，通过三角掩码建模真实sRGB噪声的空间相关性，无需下采样即可实现高效自监督图像去噪，实验表明其性能优于现有方法。
Comments Accepted to CVPR 2026
HandDreamer: 通过纠正手形引导实现零样本文本到3D手模型生成
机构 * Samsung R&D Institute India Bangalore（三星印度班加罗尔研发中心）
AI总结 本文提出HandDreamer，通过MANO手模型初始化和手骨骼引导扩散过程，解决零样本文本生成3D手模型中的视角不一致和细节丢失问题，提升手部结构的自洽性与多样性。
Comments Accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
提示选择是否对无任务在线持续学习必要？
机构 * Sungkyunkwan University（成均馆大学）
AI总结 本文提出单提示方法，无需提示选择，通过优化分类器减少遗忘，实现无任务在线持续学习的最优性能。
Comments Accepted to CVPR Findings 2026. The code is available at https://github.com/efficient-learning-lab/SinglePrompt
3D-Fixer：从单张图像生成3D场景的粗到细就地补全
机构 * College of Computer Science, Nankai University（南开大学计算机科学学院） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； Horizon Robotics（地平线机器人） ； D-Robotics
AI总结 本文提出3D-Fixer，通过粗到细的生成方案解决单张图像生成3D场景的布局和3D资产恢复问题，结合双分支条件网络和Occlusion-Robust Feature Alignment策略，提升生成精度和效率，同时引入ARSG-110K数据集提升训练效果。
Comments 17 pages, 10 figures, CVPR 2026, project page: https://zx-yin.github.io/3dfixer
强化以学习，选择以推理：视频推理的双范式
机构 * National University of Defense Technology（国防科技大学） ； Sun Yat-sen University（中山大学）
AI总结 本文提出RLER双范式，通过强化学习生成证据并验证推理一致性，提升视频推理的可靠性和可解释性，实验表明其在多个基准上均取得最佳性能。
Comments Accepted at CVPR 2026. Camera-ready version
图到帧RAG：面向无训练和可审计的视频推理的视觉空间知识融合
机构 * National University of Defense Technology（国防科技大学） ； Sun Yat-sen University（中山大学）
AI总结 本文提出G2F-RAG，通过视觉空间知识融合提升视频推理的可解释性和效率，减少认知负担并保留可追溯的证据轨迹。
Comments Accepted at CVPR 2026. Camera-ready version
OmniSonic: 向通用和整体音频生成迈进：从视频和文本生成音频
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Clemson University（克莱姆森大学） ； University of Toronto（多伦多大学）
AI总结 本文提出UniHAGen任务，通过视频和文本生成涵盖屏幕内外声音的综合音频场景。OmniSonic基于流匹配扩散框架，采用TriAttn-DiT架构和MoE门控机制，实现屏幕内外声音和语音的联合生成，建立新的UniHAGen-Bench基准。
Comments CVPR 2026
高效的空间飞行器姿态估计：结合事件相机与神经形态硬件
机构 * University of Luxembourg（卢森堡大学） ； Fortiss GmbH（Fortiss有限公司） ； Technical University of Munich（慕尼黑工业大学） ； Paddington Robotics（Paddington机器人公司）
AI总结 本文提出一种结合事件相机与神经形态硬件的空间飞行器六自由度姿态估计方案，通过轻量事件-帧表示训练紧凑的MobileNet风格关键点回归网络，实现低功耗实时推理，展示了首个在Akida硬件上端到端运行的飞行器姿态估计演示。
Comments AI4SPACE workshop at CVPR 2026
MonoSAOD：基于稀疏标注标签的单目3D物体检测
机构 * Kyung Hee University（庆熙大学）
AI总结 本文提出MonoSAOD框架，通过Road-Aware Patch Augmentation和Prototype-Based Filtering实现稀疏标注下的单目3D物体检测，结合几何保留增强与原型引导伪标签，提升稀疏监督下的检测鲁棒性。
Comments Accepted to CVPR 2026
测试时适应中的神经塌陷
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Peking University（北京大学） ； Sichuan University（四川大学） ； Shenzhen Technology University（深圳技术大学）
AI总结 本文基于神经塌陷理论，提出NCTTA方法，通过特征与分类器对齐缓解域偏移影响，实验证明其在ImageNet-C上优于Tent。
Comments Aceepted by CVPR 2026
通过潜在表示编辑视频中的生理信号
机构 * University College London（伦敦大学学院） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； NVIDIA（英伟达）
AI总结 本文提出了一种通过潜在空间编辑视频中生理信号的方法，利用3D VAE和FiLM技术实现视觉保真度与生理信号调节的平衡，实验显示在保持高质量的同时可有效控制心率。
Comments Accepted to CVPR 2026 Subtle Visual Computing Workshop, 13 pages, 8 figures, 7 tables
SciGA：用于学术论文中设计图形摘要的综合性数据集
机构 * Hosei University（法政大学）
AI总结 本文提出SciGA-145k数据集，用于支持图形摘要的选择与推荐，以及自动化生成研究。通过定义两个任务和新的评估指标CAR，推动AI for Science中的科学传播。
Comments 28 pages, 21 figures, 9 tables. Accepted to CVPR Findings 2026. Project page: https://iyatomilab.github.io/SciGA/
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