期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
你看到我指向的是什么？基于手势的 egocentric 视频问答
机构 * Imperial College London（伦敦帝国理工学院）
AI总结 本文提出 EgoPointVQA 数据集和基准，结合 Hand Intent Tokens 提升手势引导的 egocentric 问答性能，HINT-14B 在多个任务上超越现有最佳模型。
Comments Accepted to CVPR 2026
AffordGrasp：跨模态扩散用于感知意识抓取合成
机构 * ShanghaiTech University（上海科技大学） ； Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉与成像工程技术研究中心） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出AffordGrasp，通过跨模态扩散模型生成准确反映物体几何和用户指令的抓取姿态，提升AR/VR和具身AI中的手-物交互质量。
Comments CVPR 2026
MoD-DPO：通过模态解耦偏好优化缓解多模态幻觉
机构 * University of Southern California（南加州大学）
AI总结 本文提出MoD-DPO框架，通过引入模态感知正则化项和语言先验去偏惩罚，提升多模态大模型的模态对齐能力，实验表明其在多模态幻觉基准测试中表现优异。
Comments CVPR 2026. Project Page: https://mod-dpo.github.io/
Sketch2Colab: 通过可控流蒸馏实现基于草图的多人体动画
机构 * IDEAS Lab, Department of Computer Science, Purdue University（普渡大学计算机科学系IDEAS实验室）
AI总结 Sketch2Colab通过可控流蒸馏将故事板风格的2D草图转化为连贯的3D多人体运动，实现对代理、关节、时序和接触的精细控制，实验显示其在约束遵循和感知质量上优于基线方法。
Comments Accepted to CVPR 2026 Main Conference (11 pages, 8 figures)
高效无编码器的基于傅里叶的3D大多模态模型
机构 * Fondazione Bruno Kessler, Italy（意大利布鲁诺·凯斯勒基金会） ； JKU Linz, Austria（奥地利林茨约翰·开普勒大学） ； CSIRO, Australia（澳大利亚联邦科学与工业研究组织）
AI总结 本文提出Fase3D，一种基于傅里叶变换的无编码器3D多模态模型，通过结构化超点和空间填充曲线实现高效全局上下文建模，显著提升计算效率和参数效率。
Journal ref CVPR 2026 camera ready
CLIP存在短视：超越第一句话的注意力分配
机构 * University of Toronto Robotics Institute（多伦多大学机器人研究所） ； Mila - Quebec AI Institute（Mila - 魁北克人工智能研究所）
AI总结 CLIP模型在大规模数据上通过图像-文本对比学习获取可迁移的多模态特征，但其预训练过程偏向于短描述，导致复杂场景对齐不足。本文提出DeBias-CLIP，通过去除摘要句和子采样提升对齐效果，实现更优的长文本检索和鲁棒性。
Comments 20 pages, 15 figures, to be published in the CVPR 2026 proceedings
CCCaption: 为完整和正确图像描述的双奖励强化学习
机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院） ； LLM Team, Shopee Pte. Ltd.（Shopee私人有限公司大语言模型团队）
AI总结 本文提出CCCaption框架，通过双奖励强化学习优化图像描述的完整性和正确性，利用多样化LVLMs和动态查询采样策略提升训练效率，并通过验证子描述查询的真实性来惩罚幻觉，从而生成更符合客观标准的描述。
Comments Accept by CVPR 2026
所有权的回声：对抗引导的双注入用于MLLMs中的版权保护
机构 * School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 本文提出一种生成版权触发器的框架，通过双注入方法在MLLMs中嵌入可验证的版权信息，以在微调衍生模型中触发专属文本响应，同时在非衍生模型中保持无活性。
Comments Accepted to CVPR 2026!
SparVAR：探索视觉自回归建模中的稀疏性以实现无训练加速
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Nanjing University of Science and Technology（南京理工大学） ； City University of Hong Kong（香港城市大学）
AI总结 SparVAR通过利用自回归注意力的稀疏性，提出了一种无需训练的加速框架，有效降低计算复杂度，提升生成速度并保持图像质量。
Comments CVPR 2026
PhaSR：基于物理对齐先验的通用图像阴影去除
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； National Cheng Kung University（国立成功大学）
AI总结 PhaSR通过双层先验对齐解决不同光照条件下阴影去除问题，结合物理对齐归一化和几何-语义校正注意力，提升单光源到多源环境的鲁棒性，实验显示其在复杂光照下表现优异。
Comments CVPR 2026 Camera Ready; Project Page: https://ming053l.github.io/PhaSR_github
StreamAvatar：用于实时交互人类分身的流式扩散模型
机构 * Tsinghua University（清华大学） ； Renmin University of China（中国人民大学） ； Tencent Hunyuan（腾讯混元） ； Nanjing University（南京大学）
AI总结 本文提出一种两阶段自回归适应与加速框架，通过自回归蒸馏和对抗性细化，使高保真人类视频扩散模型适用于实时交互流式生成，实现自然对话与倾听行为。
Comments Accepted by CVPR 2026. Project page: https://streamavatar.github.io
LASER：基于分层尺度对齐的无训练流式4D重建
机构 * Northeastern University（东北大学） ； Independent Researcher（独立研究员） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
AI总结 本文提出LASER框架，通过分层尺度对齐将离线重建模型转换为流式系统，实现14fps和6GB内存下的千米级流式视频重建，优于现有方法。
Comments CVPR 2026, 16 pages
E-RayZer：基于空间视觉预训练的自监督3D重建
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adobe Research（Adobe研究院） ； Harvard University（哈佛大学）
AI总结 本文提出E-RayZer，一种通过未标注图像直接学习几何基础表示的自监督3D视觉模型，通过显式几何实现3D重建，优于现有方法。
Comments CVPR 2026 Camera-ready. Project website: https://qitaozhao.github.io/E-RayZer
TriDF：评估可解释深度伪造检测的感知、检测和幻觉
机构 * National Taiwan University（国立台湾大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； Jilin University（吉林大学） ； VinUniversity
AI总结 TriDF提出一个全面的可解释深度伪造检测基准，评估模型感知、检测和幻觉能力，揭示三者间的相互作用，为构建可信系统提供基础。
Comments CVPR 2026
SeeU: 通过4D动态感知生成可见的世界
机构 * Purdue University（普渡大学） ； Samsung Research America（三星美国研究院）
AI总结 SeeU通过4D动态感知生成框架，从稀疏单目2D帧重建4D世界，学习连续4D动态并生成未见视觉内容，实现物理一致的连续生成。
Comments Accepted by CVPR 2026. Camera-Ready Version. Project Page: https://yuyuanspace.com/SeeU/
单轮可扩展的分析联邦学习
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Federal University of Rio de Janeiro（里约热内卢联邦大学） ； Instituto de Telecomunicações, Porto（波尔图电信研究所）
AI总结 本文提出SAFLe框架，通过引入分桶特征结构头部和稀疏分组嵌入，实现非线性可扩展性，证明其等价于高维线性回归，从而在单轮分析联邦学习中实现高效可扩展的联邦视觉解决方案。
Comments To appear in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026
RobotSeg: 一种用于图像和视频中分割机器人的模型和数据集
机构 * Show Lab, National University of Singapore（新加坡国立大学Show Lab）
AI总结 本文提出RobotSeg模型和数据集，解决机器人分割的挑战，通过结构增强的记忆关联器、机器人提示生成器和标签高效训练策略，实现结构感知、自动化的高效分割。
Comments CVPR 2026. Project page: https://github.com/showlab/RobotSeg
NeAR：耦合神经资产-渲染堆栈
机构 * BUAA（北京航空航天大学） ； BAAI（北京智源人工智能研究院） ； FNii, CUHKSZ（香港中文大学（深圳）未来网络创新研究院） ； HKUST（香港科技大学） ； NJU（南京大学） ； UniTn（特伦托大学） ； ZJU（浙江大学） ； NTU（南洋理工大学） ； THU（清华大学） ； BNU（北京师范大学） ； SSE, CUHKSZ（香港中文大学（深圳）理工学院） ； AIR, THU（清华大学智能产业研究院）
AI总结 NeAR通过耦合资产表示与渲染器设计，提升生成质量和一致性。引入Lighting-Homogenized SLAT和光照感知解码器，实现实时可重照明的3D高斯溅射生成，优于现有方法。
Comments Accepted by CVPR 2026. The project page: https://near-project.github.io/
通过多模态基础模型提升空间智能
机构 * SenseTime Research（商汤科技研究院） ； Nanyang Technological University（南洋理工大学）
AI总结 本文通过构建SenseNova-SI家族，利用八百万多样数据样本提升空间智能，在多个基准测试中取得优异成绩，并分析数据扩展的影响及潜在应用。
Comments Codebase: https://github.com/OpenSenseNova/SenseNova-SI ; Models: https://huggingface.co/collections/sensenova/sensenova-si . This report is based on the v1.1 version of SenseNova-SI. Accepted to CVPR 2026
AVATAR：通过视频进行视觉、听觉和推理的强化学习
机构 * Arizona State University（亚利桑那州立大学）
AI总结 AVATAR通过离线训练架构和时间优势塑造策略解决多模态长时视频推理中的数据效率、消失优势和信用分配问题，实现跨多个基准测试的优越性能。
Comments CVPR 2026
ViStoryBench：故事可视化全面评估基准套件
机构 * ShanghaiTech University（上海科技大学） ； StepFun ； AIGC Research（AIGC研究院） ； AGI Lab, Westlake University（西湖大学AGI实验室）
AI总结 本文提出ViStoryBench，一个全面评估故事可视化模型的基准套件，通过多维度指标评估叙事结构、视觉风格和角色设定，结合人类验证确保一致性与真实性，推动视觉叙事技术发展。
Comments Accepted by CVPR 2026. 44 Pages, Project Page: https://vistorybench.github.io, Code: https://github.com/vistorybench/vistorybench, Dataset: https://huggingface.co/datasets/ViStoryBench/ViStoryBench
释放链式预测在单目3D物体检测中的潜力
机构 * Michigan State University（密歇根州立大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出MonoCoP框架，通过链式预测和不确定性引导选择器结合，提升单目3D检测的深度精度，尤其在远距离物体上表现优异。
Journal ref CVPR 2026
超越识别：评估视觉语言模型中的视觉视角理解
机构 * University of Warsaw（华沙大学） ； Polish Academy of Sciences（波兰科学院） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； IDEAS NCBR ； Lute
AI总结 本文通过144个视觉任务评估VLMs的视觉视角理解能力，发现模型在场景理解上表现优异，但在空间推理和视角理解上存在明显不足。
Comments Accepted at CVPR 2026 Findings
守护天空：反无人机方法的全面调查、基准测试与未来方向
AI总结 本文综述了反无人机领域，探讨了分类、检测与跟踪等核心方法，分析了数据合成、多模态融合等新兴技术，并指出实时性能、 stealth 检测等领域的不足，旨在推动下一代防御策略的发展。
Comments Accepted to CVPR 2025 Anti-UAV Workshop (Best Paper Award), 16 pages
通过提示深度任何事实现4K分辨率的准确度量深度估计
机构 * Zhejiang University（浙江大学） ； ByteDance Seed（字节跳动Seed） ； Shanghai Jiao Tong University（上海交通大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 本文提出Prompt Depth Anything，利用低成本LiDAR作为提示，通过多尺度融合设计实现4K分辨率的度量深度估计，并在ARKitScenes和ScanNet++数据集上取得新突破。
Comments CVPR 2025; Project page: https://PromptDA.github.io/
视频分割的实时交互训练
机构 * Cornell University（康奈尔大学）
AI总结 本文提出LIT框架，通过实时学习用户反馈提升视频分割性能，LIT-LoRA在挑战性任务中减少18-34%的修正，且训练开销低。
Comments CVPR 2026
FusionAgent：一种具有动态模型选择的多模态代理用于人体识别
机构 * Michigan State University（密歇根州立大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 FusionAgent通过动态模型选择提升人体识别鲁棒性，利用多模态大语言模型进行样本特定的模型选择，结合ACT分数融合方法，实验表明其在效率和性能上优于现有方法。
Comments CVPR 2026
Unblur-SLAM：用于模糊输入的密集神经SLAM
机构 * University of Amsterdam（阿姆斯特丹大学） ； Meta Reality Labs（Meta现实实验室） ； ETH Zürich（苏黎世联邦理工学院）
AI总结 本文提出Unblur-SLAM，一种针对模糊图像输入的RGB SLAM pipeline，能够处理多种模糊类型，在运动模糊和失焦模糊情况下表现出最佳性能，通过调整计算量和多视图优化提升重建效果。
Comments 14 pages, 9 figures (based on the document's total length and the final Figure 9 ). Accepted By CVPR 2026
BHCast: 从单张模糊图像解锁黑洞等离子体动力学的长期预测
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NVIDIA（英伟达）
AI总结 BHCast通过单张模糊图像预测黑洞等离子体动力学，结合多尺度金字塔损失实现超分辨率和长期稳定预测，提取时空特征并利用梯度提升树恢复黑洞属性。
Comments CVPR 2026
测量基于概念的解释的（不）忠实性
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文研究了基于概念的解释方法的忠实性，提出Surrogate Faithfulness方法以评估其忠实度，发现许多视觉上吸引人的U-CBEMs并不忠实。
Comments To appear in CVPR 2026
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