期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
Mine-JEPA: 针对侧扫声呐中矿类物体分类的领域自监督学习
机构 * Maum AI Inc.（Maum AI公司） ； Seoul National University（首尔大学） ； KAIST（韩国科学技术院） ； Yonsei University（延世大学）
AI总结 本文提出Mine-JEPA，首个针对侧扫声呐矿类物体分类的领域自监督学习框架，通过SIGReg损失在1170张未标记声呐图像上预训练，实现二分类F1得分0.935，优于DINOv3。
Comments 9 pages, 3 figures, 6 tables. Accepted at CVPR 2026 MACVi Workshop
超越黄金数据：通过时间步选择性训练解决运动-视觉质量困境
机构 * Tsinghua University（清华大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队）
AI总结 本文提出TQD方法，通过时间步选择性训练解决视频生成中运动与视觉质量的矛盾，证明在不平衡数据上训练可超越传统高质量数据训练效果。
Comments Accepted to CVPR 2026
EagleNet：面向文本-视频检索的能耗感知细粒度关系学习网络
机构 * Sun Yat-sen University（中山大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Shenzhen Key Laboratory of Adversarial Artificial Intelligence（深圳市对抗性人工智能重点实验室） ； Beijing Jiaotong University（北京交通大学） ； Institute of Information Engineering, CAS（中国科学院信息工程研究所）
AI总结 本文提出EagleNet，通过细粒度关系学习机制和能耗感知匹配，提升文本-视频检索中文本与视频帧间关系的表达，增强语义匹配能力。
Comments Accepted at CVPR 2026
Le MuMo JEPA：多模态自监督表示学习中的可学习融合标记
机构 * IDLab, Department of Information Technology, Ghent University - imec（根特大学-imec信息技术系IDLab）
AI总结 本文提出Le MuMo JEPA框架，通过学习融合标记实现多模态统一表示学习，实验显示其在性能与效率之间取得最佳平衡，尤其在CenterNet检测和密集深度估计中表现优异。
Comments 14 pages, 4 figures, supplementary material. Accepted at the CVPR 2026 Workshop on Unified Robotic Vision with Cross-Modal Sensing and Alignment (URVIS)
语义音频视觉导航在连续环境中
机构 * Wuhan University（武汉大学） ； Zhongguancun Academy（中关村学院） ； Shandong Jianzhu University（山东建筑大学） ； Nankai University（南开大学） ； Tsinghua University（清华大学） ； CASIA（中国科学院自动化研究所） ； UCAS（中国科学院大学）
AI总结 本文提出MAGNet模型，通过多模态Transformer实现语义目标推理，提升在连续空间中导航的鲁棒性与成功率。
Comments This paper has been accepted to CVPR 2026
ForgeDreamer: 工业文本到3D生成的多专家LoRA与跨视图超图
机构 * Shenzhen University（深圳大学） ； Guangzhou Maritime University（广州航海学院）
AI总结 本文提出ForgeDreamer框架，通过多专家LoRA集合和跨视图超图增强方法，解决工业文本到3D生成中的领域适应与几何推理问题，提升语义泛化和几何精度。
Comments Accepted to CVPR 2026 Findings!
不再缺失：字典引导的跨模态图像融合在红外缺失情况下的应用
机构 * Faculty of Information Engineering and Automation, Kunming University of Science and Technology（昆明理工大学信息工程与自动化学院） ； Department of Biomedical Engineering, Hefei University of Technology（合肥工业大学生物医学工程系）
AI总结 本文提出了一种基于共享卷积字典的字典引导框架，解决红外缺失时的跨模态图像融合问题，通过联合字典学习、视觉引导红外推断和自适应融合方法提升感知质量和下游检测性能。
Comments This paper has been accepted by CVPR 2026
TeFlow：实现多帧监督以实现自监督前馈场景流估计
机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Hong Kong University of Science and Technology（香港科技大学） ； University of Warwick（华威大学） ； Linköping University（林雪平大学） ； Scania（斯堪尼亚）
AI总结 TeFlow通过挖掘时间一致的监督信号，改进多帧监督以提升自监督前馈场景流估计的稳定性与性能，实现33%的性能提升。
Comments CVPR 2026; 16 pages, 8 figures
ActionMesh: 带有时间轴的3D扩散模型用于动画3D网格生成
机构 * Meta Reality Labs（Meta现实实验室） ； SpAItial ； University College London（伦敦大学学院）
AI总结 ActionMesh通过引入时间轴的3D扩散模型，实现了从多种输入生成动画3D网格，具备快速生成、无骨骼和拓扑一致性的优势，提升了在纹理和重定向等应用中的效率。
Comments CVPR 2026. Project webpage with code and videos: https://remysabathier.github.io/actionmesh/ . V2 update includes more baseline models with a larger evaluation set on our new publicly released benchmark ActionBench, and {3D+video}-to-animated-mesh qualitative comparison in supplemental
几何-光度事件基于的3D高斯射线追踪
机构 * Keio University（庆应义塾大学） ； Technische Universität Berlin（柏林工业大学） ； Science of Intelligence Excellence Cluster（智能科学卓越集群） ； Einstein Center Digital Future（爱因斯坦数字未来中心） ； Robotics Institute Germany（德国机器人研究所） ； The University of Tokyo（东京大学）
AI总结 本文提出GPERT框架，通过分离事件渲染与快照渲染，解决事件基于3DGS的精度与时间分辨率平衡问题，实现高精度3D重建。
Comments 15 pages, 12 figures, 5 tables
Journal ref IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Denver, 2026
CodeDance: 一种动态集成工具的多模态大语言模型用于可执行视觉推理
机构 * Beihang University（北京航空航天大学） ； Westlake University（西湖大学） ； ByteDance Singapore（字节跳动新加坡） ； ByteDance China（字节跳动中国）
AI总结 CodeDance通过可执行代码实现视觉推理，结合多工具协作与自检机制，提升复杂任务的灵活性和可解释性，实验显示其在多个基准测试中优于现有方法。
Comments CVPR 2026. Project page: https://codedance-vl.github.io/
SPDMark：基于选择性参数位移的鲁棒视频水印技术
机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） ； Michigan State University (MSU)（密歇根州立大学）
AI总结 SPDMark通过在视频扩散模型中选择性位移参数，在生成视频时嵌入不可见水印，实现高鲁棒性和计算效率的平衡。
Comments CVPR 2026
超越真实数据：图像修复的增强监督
AI总结 本文提出一种增强真实图像的框架，通过超分辨率和自适应频率掩码生成高质量监督，提升图像修复效果，实验表明其能改善修复图像质量。
Comments Project page: https://hij1112.github.io/beyond-the-ground-truth/ Accepted to CVPR 2026
通过邻域感知语义学习，通过开放形式流决策：面向鲁棒零样本骨架动作识别
机构 * The Hong Kong Polytechnic University（香港理工大学） ； China University of Geoscience（中国地质大学） ； Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文提出Flora方法，通过灵活调整文本语义和开放形式分布感知流分类器，解决零样本骨架动作识别中的语义对齐和分类器鲁棒性问题，实验验证其有效性。
Comments Accepted by CVPR 2026 Findings; Project Code: https://github.com/cseeyangchen/Flora
TempoControl: 文本到视频模型中的时间注意力引导
机构 * Bar-Ilan University（巴伊兰大学）
AI总结 本文提出TempoControl，通过新颖的优化方法实现文本到视频模型的时间对齐，无需重新训练，支持时间重排、动作时机控制和音频对齐等应用。
Comments Accepted CVPR'26
CHEEM：通过重用、新信息、适应和跳过进行持续学习——一种分层探索-利用方法
机构 * North Carolina State University（北卡罗来纳州立大学） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 本文提出CHEEM框架，通过分层探索-利用方法解决持续学习中的稳定性与可塑性矛盾，实现高效神经网络架构搜索，优于现有方法，接近全微调上限。
Comments CVPR 2026
Omni-MMSI：迈向基于身份的社会互动理解
机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出Omni-MMSI任务，要求从原始音频、视觉和语音输入中全面理解社会互动，通过身份属性的社会线索识别与推理，提升AI助手对人类互动的感知与响应能力。
Comments Accepted to CVPR 2026. Project page: https://sampson-lee.github.io/omni-mmsi-project-page
抑制掩码图像建模表示中的非语义噪声
机构 * University of Oslo（奥斯陆大学） ； UiT The Arctic University of Norway（特罗姆瑟大学 - 挪威北极大学）
AI总结 本文提出SOAP方法，通过PCA分析实测和合成非语义图像，抑制图像补丁表示中的非语义信息，提升零样本性能。
Comments Published in CVPR 2026
Ar2Can：利用画布进行多人体生成的架构与艺术家
机构 * Qualcomm AI Research, an initiative of Qualcomm Technologies, Inc.（高通人工智能研究院，高通技术公司旗下）
AI总结 Ar2Can提出一种两阶段框架，通过分离空间规划与身份渲染，解决多人体生成中人脸身份丢失问题，采用空间引导的面部匹配奖励提升生成质量，使用合成数据实现高精度和保真度。
Comments Accepted to CVPR 2026
缓解文本到图像生成中的身份危机
机构 * Qualcomm AI Research（高通人工智能研究院）
AI总结 本文提出DisCo框架，通过强化学习优化图像内和跨样本的身份多样性，解决多人类生成中的身份重复和计数错误问题，无需真实数据，在DiverseHumans数据集上取得高准确率。
Comments Accepted to CVPR 2026
Science-T2I: 解决图像合成中的科学幻觉
机构 * New York University（纽约大学） ； University of Washington（华盛顿大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文提出ScienceT2I数据集，评估18种图像生成模型，发现科学提示能显著提升生成效果，提出SciScore奖励模型和两阶段对齐框架提升科学推理能力。
Comments Accepted to CVPR 2025. Code, docs, weight, benchmark and training data are all avaliable at https://jialuo-li.github.io/Science-T2I-Web
在3D几何计算机视觉中评估博士级别的编程能力
机构 * AIR, Tsinghua University（清华大学智能产业研究院） ； Qiuzhen College, Tsinghua University（清华大学求真书院） ； BAAI（北京智源人工智能研究院） ； Peking University（北京大学） ； Nanjing University（南京大学） ； University of Toronto（多伦多大学）
AI总结 本文提出GeoCodeBench基准，用于评估3D视觉编程能力。通过精选论文中的任务，生成多样化的测试用例，评估八种模型的性能，揭示当前模型在可靠3D科学编程方面的差距。
Comments Accepted by CVPR 2026; Project page: https://geocodebench.github.io/
优于平均：基于空间的分割不确定性聚合改进下游性能
机构 * Max-Delbrück-Center (MDC)（马克斯·德尔布吕克中心） ； Helmholtz Imaging（亥姆霍兹成像） ； Charité Universitätsmedizin（柏林夏里特医学院） ； Humboldt-Universität zu Berlin（柏林洪堡大学） ； University of Potsdam（波茨坦大学） ； German Cancer Research Center (DKFZ)（德国癌症研究中心） ； Heidelberg University（海德堡大学）
AI总结 研究通过空间感知的不确定性聚合方法提升下游任务性能，分析现有聚合策略的优劣，提出新策略并验证其在不同数据集上的有效性。
Comments 27 pages, 13 figures, 6 tables. Accepted at CVPR 2026 (The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026)
PosterReward: 解锁高质量图形设计生成的准确评估
AI总结 本文提出PosterReward，通过多阶段训练策略构建高质量海报偏好数据集，设计专用奖励模型以提升海报评估精度，并引入评估基准测试现有模型性能。
Comments Accepted by CVPR'26
迈向高分辨率光片数据的通用全脑表示
机构 * LifeCanvas Technologies
AI总结 本文提出CANVAS，首个大规模高分辨率光片数据集，用于提升全脑表示的通用性，揭示现有模型在处理异质细胞形态时的局限。
Comments 21 pages, 12 figures. Accepted at CVPR 2026
GRVS：一种通用且递归的方法用于单目动态视图合成
AI总结 本文提出GRVS方法，通过递归循环和动态输入平面扫描，实现高精度的单目动态视图合成，优于现有多种基于高斯点划和扩散的方法。
Comments CVPR Findings 2026
SkeletonContext：基于骨架的零样本动作识别中的骨架侧上下文提示学习
机构 * Xidian University（西安电子科技大学） ； University of Western Australia（西澳大利亚大学） ； Donghai Lab（东海实验室）
AI总结 本文提出SkeletonContext框架，通过引入跨模态上下文提示模块和关键部位解耦模块，提升骨架动作识别中上下文信息的利用，实现零样本场景下的高精度动作区分。
Comments Accepted by CVPR 2026
MacTok: 图像生成中的鲁棒连续分词
机构 * Fudan University（复旦大学）
AI总结 MacTok通过引入图像掩码和表征对齐，防止后验崩溃，实现高效且高保真的连续分词，仅需64或128个token，在ImageNet上取得优异成绩。
Journal ref CVPR 2026
一种可证明的能量引导测试时间防御提升大视觉-语言模型的对抗鲁棒性
机构 * OmnAI Lab, Computer Science Department, Sapienza University of Rome, Italy（罗马大学计算机科学系OmnAI实验室，意大利） ； Weizmann Institute of Science, Israel（魏茨曼科学研究所，以色列）
AI总结 本文提出ET3，一种轻量且无需训练的防御方法，通过最小化输入样本的能量提升模型鲁棒性，实验显示其在分类和提升大视觉-语言模型鲁棒性方面表现优异。
Comments Accepted at the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026, Main Conference
SafeDrive: 为稀疏世界中的端到端驾驶进行细粒度安全推理
机构 * Seoul National University（首尔大学）
AI总结 SafeDrive提出了一种端到端规划框架，通过轨迹条件化的稀疏世界模型进行显式且可解释的安全推理，实现了在开放循环和闭合循环基准上的最佳性能，有效降低了碰撞率。
Comments Accepted to CVPR 2026, 19 pages, 9 figures
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