CVPR

FedAFD: Multimodal Federated Learning via Adversarial Fusion and Distillation

FedAFD: 通过对抗融合与蒸馏实现多模态联邦学习

Min Tan, Junchao Ma, Yinfu Feng, Jiajun Ding, Wenwen Pan, Tingting Han, Qian Zheng, Zhenzhong Kuang, Zhou Yu

机构 * Zhejiang Key Laboratory of Space Information Sensing and Transmission, Hangzhou Dianzi University（浙江空间信息感知与传输重点实验室，杭州电子大学） ； Laboratory of Complex Systems Modeling and Simulation, School of Computer Science and Technology, Hangzhou Dianzi University（复杂系统建模与仿真实验室，计算机科学与技术学院，杭州电子大学） ； Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

AI总结 FedAFD通过对抗融合与蒸馏方法，解决多模态联邦学习中的模态差异、任务差异和模型异质性问题，提升客户端与服务器的学习性能。

Comments Accepted by CVPR 2026

MASQuant: Modality-Aware Smoothing Quantization for Multimodal Large Language Models

MASQuant: 多模态大语言模型的模态感知平滑量化

Lulu Hu, Wenhu Xiao, Xin Chen, Xinhua Xu, Bowen Xu, Kun Li, Yongliang Tao

机构 * Alibaba Cloud Computing, Alibaba Group（阿里巴巴云 computing，阿里巴巴集团） 纠错

AI总结 MASQuant通过模态感知平滑和跨模态补偿技术，解决多模态大语言模型的量化问题，实现稳定且高效的量化性能。

Comments Accepted to CVPR 2026

Toward Real-world Infrared Image Super-Resolution: A Unified Autoregressive Framework and Benchmark Dataset

迈向真实世界红外图像超分辨率：一个统一的自回归框架和基准数据集

Yang Zou, Jun Ma, Zhidong Jiao, Xingyuan Li, Zhiying Jiang, Jinyuan Liu

机构 * School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院） ； School of Software Technology & DUT-RU International School of ISE, Dalian University of Technology（大连理工大学软件学院及DUT-RU国际信息工程学院） ； School of Computer Science, Zhejiang University（浙江大学计算机学院） ； College of Information Science and Technology, Dalian Maritime University（大连海事大学信息科学与技术学院） 纠错

AI总结 本文提出Real-IISR框架和FLIR-IISR数据集，通过热-结构引导的自回归方法提升真实世界红外图像超分辨率性能。

Comments This paper was accepted by CVPR 2026

PinPoint: Evaluation of Composed Image Retrieval with Explicit Negatives, Multi-Image Queries, and Paraphrase Testing

PinPoint：评估组合图像检索的综合基准，包含显式负样本、多图像查询和同义词测试

Rohan Mahadev, Joyce Yuan, Patrick Poirson, David Xue, Hao-Yu Wu, Dmitry Kislyuk

AI总结 PinPoint提出一个综合基准测试，通过多正确答案、显式负样本和同义词测试评估组合图像检索的鲁棒性和公平性。

Comments Accepted for CVPR 2026

Dr.Occ: Depth- and Region-Guided 3D Occupancy from Surround-View Cameras for Autonomous Driving

Dr.Occ: 从环绕视图摄像头获取3D占用的深度和区域引导方法用于自动驾驶

Xubo Zhu, Haoyang Zhang, Fei He, Rui Wu, Yanhu Shan, Wen Yang, Huai Yu

机构 * School of Electronic Information, Wuhan University（武汉大学电子信息学院） ； Horizon Robotics ； Wuhan University Shenzhen Research Institute（武汉大学深圳研究院） 纠错

AI总结 Dr.Occ通过深度和区域引导方法提升自动驾驶中3D占用预测的几何对齐和语义学习效果。

Comments 10 pages, 6 figures. Accepted at CVPR 2026

AlignVAR: Towards Globally Consistent Visual Autoregression for Image Super-Resolution

AlignVAR: 向图像超分辨率的全局一致视觉自回归模型

Cencen Liu, Dongyang Zhang, Wen Yin, Jielei Wang, Tianyu Li, Ji Guo, Wenbo Jiang, Guoqing Wang, Guoming Lu

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Ubiquitous Intelligence and Trusted Services Key Laboratory of Sichuan Province（四川省 ubiquitous intelligence and trusted services 重点实验室） 纠错

AI总结 AlignVAR 通过空间一致性自回归和层次一致性约束提升图像超分辨率的全局一致性与效率。

Comments Accepted to CVPR 2026 Findings

Learning to Drive is a Free Gift: Large-Scale Label-Free Autonomy Pretraining from Unposed In-The-Wild Videos

学习驾驶是免费礼物：从未经处理的现实视频中进行大规模无标签自主性预训练

Matthew Strong, Wei-Jer Chang, Quentin Herau, Jiezhi Yang, Yihan Hu, Chensheng Peng, Wei Zhan

机构 * Applied Intuition ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种无标签、教师引导的框架，通过未经处理的现实视频学习自动驾驶表示，无需姿态、标签或LiDAR，实现高效的自动驾驶感知和规划。

Comments Accepted at CVPR 2026

MorphAny3D: Unleashing the Power of Structured Latent in 3D Morphing

MorphAny3D: 解锁结构潜在力量在3D变形中的应用

Xiaokun Sun, Zeyu Cai, Hao Tang, Ying Tai, Jian Yang, Zhenyu Zhang

机构 * Nanjing University（南京大学） ； Peking University（北京大学） 纠错

AI总结 MorphAny3D通过结构潜在表示实现高质量3D变形，利用注意力机制生成合理变形序列，并支持解耦变形和3D风格迁移。

Comments Accepted by CVPR 2026; Project page: https://xiaokunsun.github.io/MorphAny3D.github.io

ViRC: Enhancing Visual Interleaved Mathematical CoT with Reason Chunking

ViRC: 通过推理分块增强视觉交错数学思维链

Lihong Wang, Liangqi Li, Weiwei Feng, Jiamin Wu, Changtao Miao, Tieru Wu, Rui Ma, Bo Zhang, Zhe Li

AI总结 ViRC通过引入推理分块机制，提升多模态数学任务中的推理能力，实现18.8%的性能提升。

Comments Accepted to CVPR 2026 (Main Track)

STAvatar: Soft Binding and Temporal Density Control for Monocular 3D Head Avatars Reconstruction

STAvatar: 基于软绑定与时间密度控制的单目3D头部人偶重建

Jiankuo Zhao, Xiangyu Zhu, Zidu Wang, Zhen Lei

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； CAIR, HKISI, Chinese Academy of Sciences（中国科学院计算技术研究所） ； SCSE, FIE, M.U.S.T（M.U.S.T） 纠错

AI总结 STAvatar通过软绑定与时间密度控制方法，实现了单目视频中高保真3D头部人偶的重建，尤其在细粒度细节和遮挡区域的重建上表现优异。

Comments Accepted to CVPR 2026. Project page: https://jiankuozhao.github.io/STAvatar/

Graph2Eval: Automatic Multimodal Task Generation for Agents via Knowledge Graphs

Graph2Eval: 通过知识图谱实现自动多模态任务生成

Yurun Chen, Xavier Hu, Yuhan Liu, Ziqi Wang, Zeyi Liao, Lin Chen, Feng Wei, Yuxi Qian, Bo Zheng, Keting Yin, Shengyu Zhang

机构 * Zhejiang University（浙江大学） ； Xiameng University（Xmeng大学） ； The Ohio State University（俄亥俄州立大学） ； Ant Group（蚂蚁集团） 纠错

AI总结 Graph2Eval通过知识图谱生成多模态任务，提升智能体任务的语义一致性和可解性，提供新的评估视角。

Comments Accepted at CVPR 2026 Main Conference

Elucidating the Design Space of Arbitrary-Noise-Based Diffusion Models

阐明基于任意噪声的扩散模型的设计空间

Xingyu Qiu, Mengying Yang, Xinghua Ma, Dong Liang, Fanding Li, Gongning Luo, Wei Wang, Kuanquan Wang, Shuo Li

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Case Western Reserve University（凯斯西储大学） 纠错

AI总结 EDA通过扩展噪声模式灵活性并保持模块化，提升图像恢复任务的泛化能力。

Comments 16 pages, 4 figures, accepted by CVPR 2026

HypeVPR: Exploring Hyperbolic Space for Perspective to Equirectangular Visual Place Recognition

HypeVPR: 在超球面空间中探索视角到等距投影的视觉位置识别

Suhan Woo, Seongwon Lee, Jinwoo Jang, Euntai Kim

机构 * Yonsei University（延世大学） ； Kookmin University（韩国庆熙大学） ； Korea Institute of Science and Technology (KIST)（韩国科学技术院） 纠错

AI总结 HypeVPR通过在超球面空间中利用分层嵌入框架，提升视角到等距投影的视觉位置识别的精度与效率。

Comments CVPR 2026

CubeComposer: Spatio-Temporal Autoregressive 4K 360° Video Generation from Perspective Video

CubeComposer: 从视角视频生成空间-时间自回归4K 360°视频

Lingen Li, Guangzhi Wang, Xiaoyu Li, Zhaoyang Zhang, Qi Dou, Jinwei Gu, Tianfan Xue, Ying Shan

机构 * The Chinese University of Hong Kong（香港中文大学） ； ARC Lab, Tencent PCG Project lead（腾讯PCG项目负责人） 纠错

AI总结 CubeComposer通过空间-时间自回归扩散模型实现4K分辨率360°视频生成，提升VR沉浸体验

Comments Accepted to CVPR 2026

ViterbiPlanNet: Injecting Procedural Knowledge via Differentiable Viterbi for Planning in Instructional Videos

ViterbiPlanNet: 通过可微Viterbi注入过程性知识以在教学视频中进行规划

Luigi Seminara, Davide Moltisanti, Antonino Furnari

机构 * University of Catania（卡塔尼亚大学） ； University of Bath（巴斯大学） 纠错

AI总结 ViterbiPlanNet通过可微Viterbi层整合过程性知识，实现高效的教学视频规划，提升样本效率和鲁棒性。

Comments Accepted at CVPR 2026

EmbodiedSplat: Online Feed-Forward Semantic 3DGS for Open-Vocabulary 3D Scene Understanding

EmbodiedSplat: 在线前馈语义3DGS用于开放词汇3D场景理解

Seungjun Lee, Zihan Wang, Yunsong Wang, Gim Hee Lee

机构 * National University of Singapore（新加坡国立大学） 纠错

AI总结 EmbodiedSplat通过在线前馈3DGS实现开放词汇3D场景理解，结合CLIP编码和3D U-Net提升语义重建效率与泛化能力。

Comments CVPR 2026, Project Page: https://0nandon.github.io/EmbodiedSplat/

EgoPoseFormer v2: Accurate Egocentric Human Motion Estimation for AR/VR

EgoPoseFormer v2：面向AR/VR的精准自体中心人体运动估计

Zhenyu Li, Sai Kumar Dwivedi, Filip Maric, Carlos Chacon, Nadine Bertsch, Filippo Arcadu, Tomas Hodan, Michael Ramamonjisoa, Peter Wonka, Amy Zhao, Robin Kips, Cem Keskin, Anastasia Tkach, Chenhongyi Yang

机构 * Meta ； KAUST ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） 纠错

AI总结 EgoPoseFormer v2通过Transformer模型和自动标注系统，在AR/VR中实现更准确的自体中心人体运动估计，准确率提升12.2%-19.4%，时间抖动降低22.2%-51.7%。

Comments Accepted to CVPR 2026

Discriminative Perception via Anchored Description for Reasoning Segmentation

通过锚定描述实现的判别感知用于推理分割

Tao Yang, Qing Zhou, Yanliang Li, Qi Wang

机构 * Northwestern Polytechnical University（西北工业大学） 纠错

AI总结 本文提出DPAD方法，通过生成描述性标题来增强推理分割的判别能力，提升推理链的聚焦性和效率。

Comments Accepted by CVPR 2026

UniRain: Unified Image Deraining with RAG-based Dataset Distillation and Multi-objective Reweighted Optimization

UniRain: 基于RAG的数据蒸馏和多目标重加权优化的统一图像去雨

Qianfeng Yang, Qiyuan Guan, Xiang Chen, Jiyu Jin, Guiyue Jin, Jiangxin Dong

机构 * Dalian Polytechnic University（大连理工大学） ； Nanjing University of Science and Technology（南京理工大学） 纠错

AI总结 UniRain通过基于RAG的数据蒸馏和多目标重加权优化，实现统一图像去雨，有效应对不同雨损场景。

Comments Accepted by CVPR 2026; Project Page: https://github.com/QianfengY/UniRain

Structural Action Transformer for 3D Dexterous Manipulation

结构动作变换器用于3D灵巧操作

Xiaohan Lei, Min Wang, Bohong Weng, Wengang Zhou, Houqiang Li

机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, University of Science and Technology of China（脑启发智能感知与认知国家重点实验室，中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（人工智能研究院，合肥综合性国家科学中心） 纠错

AI总结 本文提出结构动作变换器，通过结构化视角解决高自由度机械手的跨身体技能转移问题，实现更高效的灵巧操作。

Comments Accepted by CVPR

Fine-grained Image Aesthetic Assessment: Learning Discriminative Scores from Relative Ranks

细粒度图像审美评估：从相对排名学习判别分数

Zhichao Yang, Jianjie Wang, Zhixianhe Zhang, Pangu Xie, Xiangfei Sheng, Pengfei Chen, Leida Li

机构 * School of Artificial Intelligence（人工智能学院） ； State Key Laboratory of EMIM（电磁信息学国家重点实验室） 纠错

AI总结 本文提出FGAesthetics数据库和FGAesQ框架，通过细粒度排名学习提升图像审美评估的判别能力。

Comments The paper has been accepted by CVPR 2026

DeepScan: A Training-Free Framework for Visually Grounded Reasoning in Large Vision-Language Models

DeepScan: 一种无需训练的框架，用于大视觉-语言模型中的视觉引导推理

Yangfu Li, Hongjian Zhan, Jiawei Chen, Yuning Gong, Qi Liu, Yue Lu

机构 * East China Normal University（东华大学） ； Sichuan University（四川大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 DeepScan是一种无需训练的框架，通过层次扫描、聚焦和证据增强推理提升大视觉-语言模型在视觉任务中的表现。

Comments 18 pages 17 figures

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

Evolutionary Multimodal Reasoning via Hierarchical Semantic Representation for Intent Recognition

通过层次语义表示进行进化多模态推理以实现意图识别

Qianrui Zhou, Hua Xu, Yunjin Gu, Yifan Wang, Songze Li, Hanlei Zhang

AI总结 HIER通过层次语义表示与进化推理提升多模态意图识别性能，实现更准确的意图推断。

Comments Accepted by CVPR 2026

TAP: A Token-Adaptive Predictor Framework for Training-Free Diffusion Acceleration

TAP：一种用于无训练扩散加速的令牌自适应预测框架

Haowei Zhu, Tingxuan Huang, Xing Wang, Tianyu Zhao, Jiexi Wang, Weifeng Chen, Xurui Peng, Fangmin Chen, Junhai Yong, Bin Wang

机构 * Tsinghua University（清华大学） ； ByteDance（字节跳动） 纠错

AI总结 TAP通过为每个令牌自适应选择预测器，实现无训练的扩散模型加速，提升生成效率并减少感知质量损失。

Comments Accepted by CVPR 2026

InEdit-Bench: Benchmarking Intermediate Logical Pathways for Intelligent Image Editing Models

InEdit-Bench：智能图像编辑模型中间逻辑路径的基准测试

Zhiqiang Sheng, Xumeng Han, Zhiwei Zhang, Zenghui Xiong, Yifan Ding, Aoxiang Ping, Xiang Li, Tong Guo, Yao Mao

机构 * State Key Laboratory of Optical Field Manipulation Science and Technology, Institute of Optics and Electronics, Chinese Academy of Sciences（光学场操控科学与技术国家重点实验室，光学电子研究所，中国科学院） ； National Laboratory on Adaptive Optics（自适应光学国家实验室） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 InEdit-Bench通过评估图像编辑模型在中间逻辑路径推理中的表现，揭示了现有模型在动态推理和多步骤演变建模方面的不足，推动更智能的多模态生成模型发展。

Comments CVPR findings. Project page: https://github.com/SZStrong1/InEdit-Bench

Parallax to Align Them All: An OmniParallax Attention Mechanism for Distributed Multi-View Image Compression

视差对齐所有内容：一种用于分布式多视图图像压缩的 OmniParallax 注意机制

Haotian Zhang, Feiyue Long, Yixin Yu, Jian Xue, Haocheng Tang, Tongda Xu, Zhenning Shi, Yan Wang, Siwei Ma, Jiaqi Zhang

机构 * The National Engineering Laboratory for Video Technology, School of Computer Science, Peking University（国家视频技术工程实验室，计算机科学学院，北京大学） ； Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） 纠错

AI总结 ParaHydra通过OmniParallax注意机制和多信息融合模块，实现了分布式多视图图像压缩的高效编码与解码，显著提升压缩效率并降低计算开销

Comments Accepted by CVPR 2026

MoECLIP: Patch-Specialized Experts for Zero-shot Anomaly Detection

MoECLIP：面向零样本异常检测的补丁专业化专家

Jun Yeong Park, JunYoung Seo, Minji Kang, Yu Rang Park

机构 * Yonsei University（延世大学） 纠错

AI总结 MoECLIP通过补丁专业化专家架构提升零样本异常检测性能，采用动态路由和正交特征分离技术，实现更高效的异常检测。

Comments Accepted by CVPR 2026

VidEoMT: Your ViT is Secretly Also a Video Segmentation Model

VidEoMT：你的ViT其实也暗中是视频分割模型

Narges Norouzi, Idil Esen Zulfikar, Niccolò Cavagnero, Tommie Kerssies, Bastian Leibe, Gijs Dubbelman, Daan de Geus

机构 * Eindhoven University of Technology（埃因霍温理工大学） ； RWTH Aachen University（亚琛工业大学） 纠错

AI总结 VidEoMT通过轻量级查询传播和融合策略，实现无需专用跟踪模块的高效视频分割，速度提升5-10倍，精度与传统方法相当。

Comments CVPR 2026. Code: https://www.tue-mps.org/videomt/

Training High-Level Schedulers with Execution-Feedback Reinforcement Learning for Long-Horizon GUI Automation

通过执行反馈强化学习训练高阶调度器以实现长周期GUI自动化

Zehao Deng, Tianjie Ju, Zheng Wu, Zhuosheng Zhang, Gongshen Liu

机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） 纠错

AI总结 本文提出CES多代理框架，通过训练高阶调度器解决GUI代理在长周期任务中的责任耦合和状态管理问题，提升任务规划与执行效率。

Comments Accepted to CVPR 2026

VideoChat-M1: Collaborative Policy Planning for Video Understanding via Multi-Agent Reinforcement Learning

VideoChat-M1: 通过多智能体强化学习实现视频理解的协作策略规划

Boyu Chen, Zikang Wang, Zhengrong Yue, Kainan Yan, Chenyun Yu, Yi Huang, Zijun Liu, Yafei Wen, Xiaoxin Chen, Yang Liu, Peng Li, Yali Wang

机构 * Shenzhen Key Lab of Computer Vision and Pattern Recognition（深圳计算机视觉与模式识别重点实验室） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； VIVO AI Lab（VIVO人工智能实验室） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shenzhen Campus of Sun Yat-sen University（孙逸仙大学深圳校区） ； Shanghai Jiao Tong University（上海交通大学） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University（清华大学计算机科学与技术系，人工智能研究院） 纠错

AI总结 VideoChat-M1通过多智能体强化学习实现视频理解的协作策略规划，显著提升复杂视频任务的性能。

Comments Accepted by CVPR 2026