ECCV

Stabilizing Deep Reconstruction Operators with Contractive Anchoring

通过收缩锚定稳定深度重建算子

Arghya Sinha, Trishit Mukherjee, Kunal N. Chaudhury

AI总结 研究基于预训练深度去噪器的图像重建不稳定问题，提出数据驱动稳定框架，通过局部量形式化不稳定性并自适应正则化，引入可训练收缩算子控制不稳定IR算子，实验证明该方法提升了PnP和RED重建的性能与可靠性。

Comments Accepted at ECCV 2026

From Machine Learning to Large-Scale EO Products: Best Practices for Making Maps

从机器学习到大规模地球观测产品：制作地图的最佳实践

Ghjulia Sialelli, Robin Young, Yuchang Jiang, Cesar Aybar, Linus Scheibenreif, Damien Robert, Clemens Mosig, Adam J. Stewart, Jan D. Wegner, Aleksis Pirinen, Olof Mogren, Konrad Schindler

机构 * ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； University of Cambridge（剑桥大学） ； Swiss Federal Research Institute WSL（瑞士联邦森林、雪和景观研究所） ； Asterisk Labs（星号实验室） ； EcoVision Lab, University of Zurich（苏黎世大学生态视觉实验室） ； Leipzig University（莱比锡大学） ； TU Munich（慕尼黑工业大学） ； RISE Research Institutes of Sweden（瑞典皇家理工学院） 纠错

AI总结 本文探讨从机器学习到大规模EO产品制作地图的最佳实践，围绕EO数据基础设施、数据处理、模型训练、不确定性量化、地图制作与分发及验证等六个主题，给出从卫星数据到运营地图产品整个流程的推荐做法。

Comments ECCV 2026 TerraBytes II Workshop paper, non-archival

Open-Vocabulary BEV Segmentation with 3D-Aware Geometric Constraints

开放词汇BEV分割：基于3D感知几何约束的方法

Hojun Choi, Seulbin Hwang, Daejung Kim, Kisung Kim, Hyunjung Shim, Jinhan Lee

机构 * KAIST AI（韩国科学技术院人工智能） ； NAVER LABS（NAVER实验室） 纠错

AI总结 针对开放词汇BEV分割中2D VLM语义到BEV的3D几何不一致问题，提出OVBEVSeg框架，通过三阶段几何约束（伪标签、场景优化、知识蒸馏）实现高效在线推理，在nuScenes上未见类别mIoU超越闭集方法15.3，推理速度提升2.5倍。

Comments This paper has been accepted to ECCV 2026

RiO-DETR: DETR for Real-time Oriented Object Detection

RiO-DETR：面向实时的定向目标检测DETR

Zhangchi Hu, Yifan Zhao, Yansong Peng, Wenzhang Sun, Xiangchen Yin, Jie Chen, Peixi Wu, Hebei Li, Xinghao Wang, Dongsheng Jiang, Xiaoyan Sun

机构 * University of Science and Technology of China（中国科学技术大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； Tsinghua University（清华大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合国家科学中心人工智能研究院） 纠错

AI总结 RiO-DETR通过任务原生设计解决实时定向检测中的角度估计、周期性细化和密集监督问题，实现速度与精度的平衡。

Comments Accepted by ECCV 2026, 31 pages, 9 figures

Human Mesh Modeling for Anny Body

人体网格建模用于Any Body

Romain Brégier, Guénolé Fiche, Laura Bravo-Sánchez, Thomas Lucas, Matthieu Armando, Philippe Weinzaepfel, Grégory Rogez, Fabien Baradel

机构 * NAVER LABS Europe（NAVER实验室欧洲） 纠错

AI总结 Anny是一种基于人体测量学知识的简单、无需扫描的人体身体模型，能够生成逼真的人体形状，并支持高精度的3D人体建模任务。

Comments Presented at ECCV 2026. Code available at https://github.com/naver/anny

Towards Robust Monocular Depth Estimation in Non-Lambertian Surfaces

面向非朗伯表面的鲁棒单目深度估计

Junrui Zhang, Jiaqi Li, Yachuan Huang, Yiran Wang, Jinghong Zheng, Liao Shen, Zhiguo Cao

AI总结 该研究针对单目深度估计在非朗伯表面预测鲁棒性不足的问题，提出梯度域约束的区域引导方法及可选光照融合模块，在相关数据集和竞赛测试中取得优于Depth Anything V2的性能。

Comments Accepted to ECCV 2024 Workshop TRICKY