期刊&会议
European Conference on Computer Vision · 会议 · Computer Vision
基于上下文区域的拖拽：将任意区域拖拽至任意形状
机构 * Shanghai Jiao Tong University（上海交通大学）
AI总结 提出ICRDrag方法，通过上下文学习框架和两种注意力正则化，实现区域级拖拽编辑，在精度和视觉保真度上显著优于现有方法。
Comments Accepted by ECCV 2026. Dataset, code, and model are available at https://github.com/bcmi/ICRDrag-Region-Drag-Editing
$S^{2}$-FracMix: 保持标签的自显著性混合增强
机构 * The University of Melbourne（墨尔本大学） ； Information Technology University（信息技术大学） ； Westlake University（西湖大学）
AI总结 提出$S^{2}$-FracMix框架，通过自显著性混合和分形模式注入，在单图像内生成标签一致的增强样本，提升视觉模型的泛化性和鲁棒性，在多个任务上达到最优。
Comments Accepted at ECCV 2026
UniTeD: 面向自动驾驶联合感知与规划的时域统一扩散模型
机构 * Nullmax ； Westlake University（西湖大学）
AI总结 提出UniTeD框架，通过共享生成空间的迭代去噪统一建模感知与规划，引入时域过渡模块和锚点刷新策略，在多个基准上达到最先进性能。
Comments Accept to ECCV 2026
SSMNBench: 通过单视图充分性与多视图必要性诊断基于图像的跨视角人-物理解
机构 * The University of Queensland（昆士兰大学） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） ； University of Technology Sydney（悉尼科技大学） ； Follow Me AI Pty LTD（Follow Me AI有限公司）
AI总结 提出SSMNBench基准，通过单视图充分性(SVS)和多视图必要性(MVN)任务分类，诊断MLLM在跨视角人-物理解中的视觉干扰退化和跨视角融合失败问题。
Comments European Conference on Computer Vision (ECCV). 32 pages, 10 figures. The code is available at: $ \href{https://github.com/gtc-gh/SSMNBench}{\text{SSMNBench}} $
FeVOS：前瞻性表达视频目标分割
机构 * Institute of Big Data, College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院大数据研究所）
AI总结 提出前瞻性表达视频目标分割任务，通过推理时空线索预测未来目标，并构建FeVOS数据集和FeVOS-R1模型，实现最先进性能。
Comments Accepted by ECCV 2026. Homepage: https://henghuiding.com/FeVOS/
精简蒸馏：通过可学习数据剪枝实现高效知识蒸馏
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Faculty of Engineering, The Chinese University of Hong Kong（香港中文大学工程学院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； School of Computer Engineering and Science, Shanghai University（上海大学计算机工程与科学学院）
AI总结 提出IF-Beta框架，结合影响函数与可学习Beta分布采样策略，通过双层优化实现高效数据剪枝，在减少数据和计算量的同时提升蒸馏性能。
Comments Acceepted by ECCV 2026
C3-Bench：一种上下文感知的变化描述基准
机构 * Gwangju Institute of Science and Technology（光州科学技术院）
AI总结 提出C3-Bench基准，包含51种真实变化场景的4996对图像，并首次引入LLM-as-Judge评估框架，揭示现有模型在非训练分布场景下的系统性盲点。
Comments ECCV 2026 Camera-ready version
ESTANet: 通过预测不一致性实现程序性视频中的高效在线错误检测
机构 * Honda Research Institute, USA（本田研究所（美国）） ； Northeastern University（东北大学）
AI总结 提出ESTANet轻量框架，利用多个动作检测器在正确与错误执行时的预测不一致性，通过多数投票实现实时在线错误检测，在三个数据集上达到最优性能。
Comments 18 pages, 8 figures, uses eccv.sty
物理问题场景图：文本到视频生成中物理合理性的细粒度评估
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； AI2（艾伦人工智能研究所） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出物理问题场景图（PQSG），一种基于层次化问题的评估流程，通过图结构问题检查视频在对象、动作和物理规律上的忠实度，实现细粒度评估。
Comments ECCV 2026. Code and data: https://github.com/atinpothiraj/pqsg
OrthoTrack：基于公开正射影像的连续六自由度无人机轨迹估计
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学） ； Microsoft（微软公司）
AI总结 提出OrthoTrack，利用公开正射影像和表面模型实现无训练、实时、无漂移的连续六自由度无人机轨迹估计，无需GPS或后处理对齐。
Comments ECCV 2026 - Project page: http://orthotrack.ethz.ch
曲率引导混合用于MLLM适配
机构 * Research Institute of Trustworthy Autonomous Systems and Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学可信自主系统研究院与计算机科学与工程系） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）
AI总结 提出曲率引导混合（CGM）框架，通过二阶Hessian近似推导最优软混合比，以及硬混合变体CGM†，在LLaVA-1.5和Qwen2.5VL上改善任务专化与通用知识保持的权衡。
Comments Accepted to ECCV 2026
SEMIR：保持拓扑结构的图子式用于薄结构分割
机构 * University of Missouri-Kansas City（密苏里大学堪萨斯城分校）
AI总结 提出SEMIR框架，用参数化图子式替代像素网格，在收缩准则下保持薄结构连通性，通过轻量GNN分类并精确映射回像素，在多个数据集上匹配或超越基线并减少碎片化。
Comments Accepted to the European Conference on Computer Vision (ECCV) 2026
SENTRY: 基于SAM2增强的邻域感知与时序推理记忆用于视觉跟踪
机构 * Khalifa University（哈利法大学） ； University of Western Australia（西澳大利亚大学）
AI总结 针对SAM2跟踪器在遮挡、快速运动和干扰下因置信度掩码选择导致的漂移问题，提出无需训练、即插即用的SENTRY模块，通过短时一致性验证、多假设聚合和循环匹配来优化记忆更新，在9个基准上实现零样本SOTA。
Comments Accepted for publication at the European Conference on Computer Vision (ECCV 2026)
CMDS-AD: 跨模态双流解耦用于少样本异常检测
机构 * Shenzhen University（深圳大学） ； Guangzhou Maritime University（广州航海学院） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 提出跨模态双流异常检测框架CMDS-AD，通过扩散模型生成多样本并利用低频正常估计辅助解耦高频缺陷，在1-shot设置下MVTec 3D-AD上I-AUROC提升5.7%。
Comments Accepted to ECCV 2026! Project page: https://cmds-ad.github.io/
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