CVPR

PALM: Progress-Aware Policy Learning via Affordance Reasoning for Long-Horizon Robotic Manipulation

PALM：通过具身理由推理进行长时间 horizon 肢体操作的进展感知策略学习

Yuanzhe Liu, Jingyuan Zhu, Yuchen Mo, Gen Li, Xu Cao, Jin Jin, Yifan Shen, Zhengyuan Li, Tianjiao Yu, Wenzhen Yuan, Fangqiang Ding, Ismini Lourentzou

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 PALM通过具身理由推理和子任务进展线索，改进长horizon机器人操作的策略学习，实现91.8%的成功率和更长的任务长度。

Comments CVPR 2026

Circuit Mechanisms for Spatial Relation Generation in Diffusion Transformers

扩散变换器中空间关系生成的电路机制

Binxu Wang, Jingxuan Fan, Xu Pan

机构 * Kempner Institute, Harvard University（哈佛大学肯普纳研究所） ； Harvard University（哈佛大学） 纠错

AI总结 研究通过机械可解释性方法探讨扩散变换器如何生成正确空间关系，发现不同文本编码器影响电路机制，随机嵌入通过双阶段电路生成，预训练编码器则通过信息融合生成，两种方法在领域内表现相似但抗扰性不同。

Comments 45 pages, 30 figures, accepted in CVPR 2026

Agile Deliberation: Concept Deliberation for Subjective Visual Classification

敏捷协商：主观视觉分类的概念协商

Leijie Wang, Otilia Stretcu, Wei Qiao, Thomas Denby, Krishnamurthy Viswanathan, Enming Luo, Chun-Ta Lu, Tushar Dogra, Ranjay Krishna, Ariel Fuxman

机构 * Google Research（谷歌研究院） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出敏捷协商框架，通过迭代协商提升视觉分类的主观概念理解，实验表明其在F1得分和认知效率上优于传统方法。

Journal ref CVPR 2026

VideoCoF: Unified Video Editing with Temporal Reasoner

VideoCoF：基于时间推理的统一视频编辑

Xiangpeng Yang, Ji Xie, Yiyuan Yang, Yue Ma, Yan Huang, Min Xu, Qiang Wu

机构 * University of Technology Sydney（悉尼科技大学） ； Zhejiang University（浙江大学） ； HKUST（香港科技大学） 纠错

AI总结 VideoCoF通过引入时间推理机制，解决视频编辑中精度与统一性的矛盾，实现无需掩码的精确区域映射和细粒度编辑，验证了方法的高效性与有效性。

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

Action-guided generation of 3D functionality segmentation data

基于动作的3D功能分割数据生成

Jaime Corsetti, Francesco Giuliari, Davide Boscaini, Pedro Hermosilla, Andrea Pilzer, Guofeng Mei, Alexandros Delitzas, Francis Engelmann, Fabio Poiesi

机构 * Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） ； University of Trento（特伦托大学） ； TU Wien（维也纳工业大学） ； NVIDIA（英伟达） ； ETH Zurich（苏黎世联邦理工学院） ； MPI for Informatics（马克斯·普朗克信息学研究所） ； Stanford University（斯坦福大学） ； USI Lugano（卢加诺大学） 纠错

AI总结 本文提出SynthFun3D，通过动作描述生成3D功能分割数据，解决真实数据稀缺问题，提升3D功能理解性能。

Comments Accepted at CVPR 2026 GenRecon3D workshop. 17 pages, 8 figures, 1 table

Common Inpainted Objects In-N-Out of Context

常见补全物体在上下文中的内-外场景

Tianze Yang, Tyson Jordan, Ruitong Sun, Ninghao Liu, Jin Sun

机构 * University of Georgia（佐治亚大学） 纠错

AI总结 COinCO数据集通过扩散补全技术生成97722张包含上下文一致和不一致场景的图像，用于研究上下文学习，支持细粒度上下文推理、基于上下文的物体预测和增强的假检测。

Comments The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026

Chain-of-Frames: Advancing Video Understanding in Multimodal LLMs via Frame-Aware Reasoning

链式帧：通过帧感知推理推进多模态大语言模型的视频理解

Sara Ghazanfari, Francesco Croce, Nicolas Flammarion, Prashanth Krishnamurthy, Farshad Khorrami, Siddharth Garg

机构 * New York University（纽约大学） ； EPFL（瑞士联邦理工学院洛桑分校） 纠错

AI总结 本文提出一种单阶段视频LLM，通过显式引用相关帧减少推理中的时间不一致性，利用COF-DATA数据集提升视频理解性能，发现合成数据显著提升模型准确率。

Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

The Eleventh NTIRE 2026 Efficient Super-Resolution Challenge Report

2026年NTIRE高效超分辨率挑战赛报告

Bin Ren, Hang Guo, Yan Shu, Jiaqi Ma, Ziteng Cui, Shuhong Liu, Guofeng Mei, Lei Sun, Zongwei Wu, Fahad Shahbaz Khan, Salman Khan, Radu Timofte, Yawei Li, Hongyuan Yu, Pufan Xu, Chen Wu, Long Peng, Jiaojiao Yi, Siyang Yi, Yuning Cui, Jingyuan Xia, Xing Mou, Keji He, Jinlin Wu, Zongang Gao, Sen Yang, Rui Zheng, Fengguo Li, Yecheng Lei, Wenkai Min, Jie Liu, Keye Cao, Shubham Sharma, Manish Prasad, Haobo Li, Matin Fazel, Abdelhak Bentaleb, Rui Chen, Shurui Shi, Zitao Dai, Qingliang Liu, Yang Cheng, Jing Hu, Xuan Zhang, Rui Ding, Tingyi Zhang, Hui Deng, Mengyang Wang, Fulin Liu, Jing Wei, Qian Wang, Hongying Liu, Mingyang Li, Guanglu Dong, Zheng Yang, Chao Ren, Hongbo Fang, Lingxuan Li, Lin Si, Pan Gao, Moncef Gabbouj, Watchara Ruangsang, Supavadee Aramvith

AI总结 本文回顾了2026年NTIRE高效单幅图像超分辨率挑战赛，总结了参赛方案与结果，旨在设计保持PSNR性能的高效网络。

Comments CVPR 2026 NTIRE Workshop Paper, Efficient Super Resolution Technical Report

Understanding the Role of Hallucination in Reinforcement Post-Training of Multimodal Reasoning Models

理解强化学习在多模态推理模型后训练中幻觉的作用

Gengwei Zhang, Jie Peng, Zhen Tan, Mufan Qiu, Hossein Nourkhiz Mahjoub, Vaishnav Tadiparthi, Kwonjoon Lee, Yanyong Zhang, Tianlong Chen

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Science and Technology of China（中国科学技术大学） ； Arizona State University（亚利桑那州立大学） ； Honda Research Institute, USA（本田美国研究所） 纠错

AI总结 本文提出Hallucination-as-Cue框架，通过引入模态特异性扰动分析强化学习对多模态推理模型的影响，揭示幻觉在训练中的关键作用，挑战现有假设。

Comments CVPR 2026

SparseSplat: Towards Applicable Feed-Forward 3D Gaussian Splatting with Pixel-Unaligned Prediction

SparseSplat: 向可应用的前馈3D高斯点划法迈进：像素不齐预测

Zicheng Zhang, Xiangting Meng, Ke Wu, Wenchao Ding

机构 * Fudan University（复旦大学） ； ShanghaiTech University（上海科技大学） 纠错

AI总结 本文提出SparseSplat，首个可适应场景结构和局部区域信息丰富度的前馈3D高斯点划法模型，生成紧凑的3DGS地图，实验表明其在22%和1.5%的高斯数量下均能获得优异渲染质量。

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

Learning from Synthetic Data via Provenance-Based Input Gradient Guidance

通过基于溯源的输入梯度引导学习合成数据

Koshiro Nagano, Ryo Fujii, Ryo Hachiuma, Fumiaki Sato, Taiki Sekii, Hideo Saito

机构 * Keio University（庆应义塾大学） ； Independent Researcher（独立研究员） ； CyberAgent 纠错

AI总结 本文提出利用训练数据合成过程中的溯源信息作为辅助监督信号，通过分解输入梯度抑制非目标区域，提升模型对目标区域的判别能力，验证了方法在多任务和多模态中的有效性。

Comments CVPR 2026

UniSpector: Towards Universal Open-set Defect Recognition via Spectral-Contrastive Visual Prompting

UniSpector：通过频谱-对比视觉提示实现通用开放集缺陷识别

Geonuk Kim, Minhoi Kim, Kangil Lee, Minsu Kim, Hyeonseong Jeon, Jeonghoon Han, Hyoungjoon Lim, Junho Yim

机构 * LG Energy Solution（LG新能源） 纠错

AI总结 UniSpector通过设计语义结构化的提示拓扑，解决工业检测中开放集缺陷识别的问题，其在AP50b和AP50m上优于基线19.7%和15.8%。

Comments Accepted to CVPR 2026

Unlocking Positive Transfer in Incrementally Learning Surgical Instruments: A Self-reflection Hierarchical Prompt Framework

解锁增量学习手术仪器中的正向迁移：一种自反思分层提示框架

Yu Zhu, Kang Li, Zheng Li, Pheng-Ann Heng

机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

AI总结 本文提出自反思分层提示框架，通过正向和反向知识迁移提升手术仪器增量分割性能，改进现有技能并避免灾难性遗忘。

Comments Accepted by CVPR 2026

Token Warping Helps MLLMs Look from Nearby Viewpoints

令牌扭曲帮助多模态大语言模型从近处视角观察

Phillip Y. Lee, Chanho Park, Mingue Park, Seungwoo Yoo, Juil Koo, Minhyuk Sung

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文研究令牌扭曲如何帮助多模态大语言模型从近处视角理解场景，发现反向令牌扭曲在视角变化中更稳定且能更好保持语义一致性。

Comments CVPR 2026, Project Page: https://token-warping-mllm.github.io

A Paradigm Shift: Fully End-to-End Training for Temporal Sentence Grounding in Videos

范式转变：面向视频中的时序句子定位的端到端训练

Allen He, Qi Liu, Kun Liu, Xinchen Liu, Wu Liu

机构 * BASIS International School Park Lane Harbour（贝赛思国际学校（公园港）） ； UCAS（中国科学院大学） ； JD Explore Academy（京东探索研究院） ； USTC（中国科学技术大学） 纠错

AI总结 本文提出一种端到端训练范式，联合优化视频主干网络和定位头，通过引入Sentence Conditioned Adapter提升视觉表征，实验表明优于现有方法。

Comments Accepted as CVPR 2026 Workshop PVUW

Deformation-based In-Context Learning for Point Cloud Understanding

基于变形的点云情境学习

Chengxing Lin, Jinhong Deng, Yinjie Lei, Wen Li

机构 * Shenzhen Institute for Advanced Study, UESTC（电子科技大学深圳高等研究院） ； School of Computer Science and Engineering, UESTC（电子科技大学计算机科学与工程学院） ； Sichuan University（四川大学） 纠错

AI总结 本文提出DeformPIC框架，通过任务引导变形查询点云以实现点云情境学习，改进几何推理和一致性目标，实验显示在重建、去噪和配准任务中均优于现有方法。

Comments Accepted by CVPR 2026. Code: https://github.com/linchengxing/DeformPIC

A Unified Perspective on Adversarial Membership Manipulation in Vision Models

视觉模型中对抗性成员操纵的统一视角

Ruize Gao, Kaiwen Zhou, Yongqiang Chen, Feng Liu

机构 * Knowin AI ； The Chinese University of Hong Kong（香港中文大学） ； The University of Melbourne（墨尔本大学） 纠错

AI总结 本文探讨了视觉模型中对抗性成员操纵现象，揭示其几何特征并提出检测与防御策略，提升模型鲁棒性。

Comments Accepted by CVPR 2026

MOMO: Mars Orbital Model Foundation Model for Mars Orbital Applications

MOMO：用于火星轨道应用的火星轨道基础模型

Mirali Purohit, Bimal Gajera, Irish Mehta, Bhanu Tokas, Jacob Adler, Steven Lu, Scott Dickenshied, Serina Diniega, Brian Bue, Umaa Rebbapragada, Hannah Kerner

机构 * Arizona State University（亚利桑那州立大学） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室） 纠错

AI总结 MOMO是首个多传感器基础模型，通过模型融合整合来自HiRISE、CTX和THEMIS三种关键火星传感器的数据，提升多分辨率数据的稳定性和泛化能力。

Comments Accepted at CVPR 2026 (Main Track)

Drift-Resilient Temporal Priors for Visual Tracking

具有抗漂移特性的时序先验用于视觉跟踪

Yuqing Huang, Liting Lin, Weijun Zhuang, Zhenyu He, Xin Li

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室） ； Lero, the Research Ireland Centre for Software, University of Limerick（Lero，爱尔兰软件研究中心，利默里克大学） ； Pazhou Lab (Huangpu)（琶洲实验室（黄埔）） 纠错

AI总结 本文提出DTPTrack模块，通过时序可靠性校准和时序指导合成方法，提升多帧跟踪器的抗漂移能力，在三个不同架构上均取得显著性能提升。

Comments accepted by CVPR 2026

Unlocking Multi-Site Clinical Data: A Federated Approach to Privacy-First Child Autism Behavior Analysis

解锁多站点临床数据：一种以隐私为中心的联邦学习方法用于儿童自闭症行为分析

Guangyu Sun, Wenhan Wu, Zhishuai Guo, Ziteng Wang, Pegah Khosravi, Chen Chen

机构 * Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所） ； Department of Clinical Sciences, College of Medicine, University of Central Florida（中佛罗里达大学医学院临床科学系） ； Department of Computer Science, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算机科学系） ； Department of Computer Science, Northern Illinois University（北伊利诺伊大学计算机科学系） ； Industrial and Systems Engineering, Northern Illinois University（北伊利诺伊大学工业与系统工程系） 纠错

AI总结 本文提出利用联邦学习进行基于姿态的儿童自闭症行为识别，通过隐私保护机制和多站点数据协作，实现高准确率的隐私优先解决方案。

Comments Accepted on the CVPR 2026 Workshop on Computer Vision for Children (CV4CHL)

Do Audio-Visual Large Language Models Really See and Hear?

音频视觉大语言模型真的能看见和听见吗？

Ramaneswaran Selvakumar, Kaousheik Jayakumar, S Sakshi, Sreyan Ghosh, Ruohan Gao, Dinesh Manocha

机构 * University of Maryland, College Park（马里兰大学帕克分校） 纠错

AI总结 研究探讨了音频视觉大语言模型中音频与视觉特征的融合机制，发现当音频与视觉冲突时，最终文本生成中音频信息无法有效表露，揭示了多模态LLM在整合音频和视觉时的模态偏见。

Comments CVPR Findings

Rascene: High-Fidelity 3D Scene Imaging with mmWave Communication Signals

Rascene：利用毫米波通信信号实现高保真3D场景成像

Kunzhe Song, Geo Jie Zhou, Xiaoming Liu, Huacheng Zeng

机构 * Department of Computer Science and Engineering, Michigan State University（密歇根州立大学计算机科学与工程系） 纠错

AI总结 本文提出Rascene框架，利用毫米波通信信号实现高精度3D场景成像，克服了传统传感器在恶劣环境下的局限性，提供了一种低成本、可扩展的3D感知新途径。

Comments Accepted to CVPR 2026

Feature Attribution Stability Suite: How Stable Are Post-Hoc Attributions?

特征归因稳定性套件：后验归因的稳定性如何？

Kamalasankari Subramaniakuppusamy, Jugal Gajjar

机构 * The George Washington University（乔治华盛顿大学） 纠错

AI总结 本文提出FASS基准，通过预测不变过滤分解稳定性为结构相似度、排名相关性和top-k Jaccard重叠，评估四种归因方法在不同扰动下的稳定性，发现几何扰动比光度扰动更具不稳定性。

Comments Accepted in the proceedings track of XAI4CV Workshop at CVPR 2026. It has 2 images, 5 tables, 6 equations, and 35 references in the main paper and 12 figures, 15 tables, and 3 references in the supplementary material

Scene Grounding In the Wild

野外场景的场景定位

Tamir Cohen, Leo Segre, Shay Shomer-Chai, Shai Avidan, Hadar Averbuch-Elor

机构 * Tel Aviv University（特拉维夫大学） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出一种框架，通过将部分重建与完整的参考模型对齐，提升无视觉重叠时的大尺度场景重建一致性。方法基于伪合成渲染，利用3D高斯点云和逆特征优化，引入WikiEarth数据集验证效果。

Comments CVPR 2026. Project page at https://tau-vailab.github.io/SceneGround/

Generative Event Pretraining with Foundation Model Alignment

基于基础模型对齐的生成事件预训练

Jianwen Cao, Jiaxu Xing, Nico Messikommer, Davide Scaramuzza

机构 * Robotics and Perception Group, University of Zurich（苏黎世大学机器人感知组） 纠错

AI总结 本文提出GEP框架，通过将互联网级图像数据集中的语义知识迁移到事件数据，并学习事件特有的时间动态，提升事件视觉基础模型在跨任务迁移学习中的性能。

Journal ref CVPR 2026 Findings

When Negation Is a Geometry Problem in Vision-Language Models

当否定是在视觉-语言模型中一个几何问题

Fawaz Sammani, Tzoulio Chamiti, Paul Gavrikov, Nikos Deligiannis

机构 * ETRO Department, Vrije Universiteit Brussel（布鲁塞尔自由大学ETRO系） ； imec ； Independent Researcher（独立研究员） 纠错

AI总结 本文探讨了视觉-语言模型中否定理解的几何问题，提出基于多模态大语言模型的评估框架，并通过表示工程操控CLIP模型实现否定意识。

Comments Accepted to CVPR (Multimodal Algorithmic Reasoning Workshop) 2026

DiFlowDubber: Discrete Flow Matching for Automated Video Dubbing via Cross-Modal Alignment and Synchronization

DiFlowDubber：通过跨模态对齐与同步实现的离散流匹配自动化视频配音

Ngoc-Son Nguyen, Thanh V. T. Tran, Jeongsoo Choi, Hieu-Nghia Huynh-Nguyen, Truong-Son Hy, Van Nguyen

机构 * FPT Software AI Center, Vietnam（FPT软件人工智能中心，越南） ； KAIST, South Korea（韩国科学技术院） ； University of Alabama at Birmingham, USA（阿拉巴马大学伯明翰分校） 纠错

AI总结 本文提出DiFlowDubber框架，通过离散流匹配和两阶段训练策略，解决视频配音中内容准确性、表达语气、高质量音频和精确唇同步的问题。

Comments Accepted at CVPR 2026 Findings

Text-Phase Synergy Network with Dual Priors for Unsupervised Cross-Domain Image Retrieval

带有双先验的文本-相位协同网络用于无监督跨域图像检索

Jing Yang, Hui Xue, Shipeng Zhu, Pengfei Fang

机构 * School of Computer Science and Engineering, Southeast University, China（东南大学计算机科学与工程学院） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China（教育部新一代人工智能技术及其跨学科应用重点实验室（东南大学）） 纠错

AI总结 本文提出TPSNet，通过结合文本先验和相位先验，提升无监督跨域图像检索性能。

Comments Accepted by CVPR 2026

ReWeaver: Towards Simulation-Ready and Topology-Accurate Garment Reconstruction

ReWeaver：面向仿真准备和拓扑准确的服装重建

Ming Li, Hui Shan, Kai Zheng, Chentao Shen, Siyu Liu, Yanwei Fu, Zhen Chen, Xiangru Huang

机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Westlake University（西湖大学） ； Fudan University（复旦大学） ； Adobe ； Xidian University（西安电子科技大学） 纠错

AI总结 ReWeaver通过稀疏多视角图像实现拓扑准确的3D服装和缝纫图案重建，提升仿真和机器人应用的精度与一致性。

Comments Accepted to CVPR 2026

Preserving Source Video Realism: High-Fidelity Face Swapping for Cinematic Quality

保留源视频真实性：面向电影质量的高保真面部交换

Zekai Luo, Zongze Du, Zhouhang Zhu, Hao Zhong, Muzhi Zhu, Wen Wang, Yuling Xi, Chenchen Jing, Hao Chen, Chunhua Shen

机构 * Zhejiang University, State Key Laboratory of CAD & CG（浙江大学，计算机辅助设计与图形学国家重点实验室） ； Zhejiang University of Technology（浙江工业大学） ； Ant Group（蚂蚁集团） 纠错

AI总结 本文提出LivingSwap模型，通过关键帧和视频参考引导实现高保真面部交换，提升视频真实感与时间一致性，减少生产流程中的手动工作量。

Comments Accepted to CVPR 2026. Project webpage: https://aim-uofa.github.io/LivingSwap