ECCV

GeoFlow: Efficient Driving Video Generation via Geometry-Aligned Priors

GeoFlow：基于几何对齐先验的高效驾驶视频生成

Jiazheng Liu, Hang Li, Jiawei Zhang, Jiahe Li, Xiaohan Yu, Shengyin Fan, Jin Zheng, Xiao Bai

机构 * Beihang University（北京航空航天大学） ； Macquarie University（麦考瑞大学） ； Tianyi Transportation Technology Co., Ltd（天宜交通科技有限公司） ； Jiangxi Research Institute, Beihang University（北京航空航天大学江西研究院） 纠错

AI总结 GeoFlow是一款新型驾驶视频生成框架，通过构建几何对齐先验分布替代标准高斯噪声初始化，可提升生成效率与少步生成质量，减少推理步骤。

Comments Accepted at ECCV 2026

Map-Det3D: Metric Feed-Forward 3D Reconstruction Prior for Multi-view 3D Object Detection from Streaming Inputs

Map-Det3D：面向流输入的多视图3D目标检测的度量前馈3D重建先验

Yung-Hsu Yang, Luigi Piccinelli, Samuel Rota Bulò, Sunghwan Hong, Denis Rozumny, Johannes Schönberger, Zuria Bauer, Hermann Blum, Peter Kontschieder, Marc Pollefeys

机构 * ETH Zürich（苏黎世联邦理工学院） ； Meta Reality Labs（元宇宙实验室） ； University of Bonn（波恩大学） 纠错

AI总结 Map-Det3D是一种在线多视图3D目标检测模型，通过将短时间窗口映射为多视图并利用前馈度量3D重建模型作为几何骨干，直接在度量3D空间预测边界框，实现了稳定的单目视频3D检测，且具有良好的在线性能与鲁棒迁移性。

Comments ECCV 2026

Do Not Forget the Obvious - RISC: A Risk-Informed Slice-Coverage Protocol for Safe Autonomous Driving

勿忽视显而易见的内容——RISC：一种用于安全自动驾驶的风险感知切片覆盖协议

Fabian Hüger

机构 * CARIAD SE 纠错

AI总结 该研究提出RISC协议，将安全问题转化为风险切片，通过风险引导选择提升自动驾驶关键故障发现率，可应用于多类自动驾驶子系统，补充现有测试验证流程。

Comments 14 pages, 3 figures, 5 tables. Accepted at the ECCV 2026 Workshop on Safe and Defensive Autonomous Driving (SDAD). Non-archival workshop paper

Localizing to Debias: A Patch-Level Benchmark and Baseline for Weakly Supervised Spatial Anomaly Detection

定位去偏：弱监督空间异常检测的补丁级基准与基线

Sara Abdulaziz, Abdulrahman Al-Abri, Giacomo D'Amicantonio, Egor Bondarev

机构 * Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 针对弱监督视频异常检测中存在的背景偏差问题，提出SST-WSVADL稀疏时空框架，结合动态稀疏化与运动感知正则化，发布相关数据集和评估协议，实现异常定位与场景偏差审计，性能与现有方法相当。

Comments ECCV 2026 FAILED Workshop

Auditing Frame-Level AUC in Weakly Supervised Video Anomaly Detection: Granularity, Resolution, and Scene Bias

弱监督视频异常检测中帧级AUC的审计：粒度、分辨率与场景偏差

Sara Abdulaziz, Egor Bondarev

机构 * Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 该研究针对弱监督视频异常检测的帧级AUC审计，发现其存在定位预测不可靠、分辨率不足、受场景偏差影响等问题，并公开了粒度感知协议。

Comments ECCV 2026 ET Workshop

Warping Earth Observations for better ice labeling in the Marginal Marginal Ice Zone

利用地球观测数据对齐优化边缘冰区的冰标记

Tom Kelly, Martin S. J. Rogers

机构 * British Antarctic Survey（英国南极调查局） 纠错

AI总结 该研究提出基于互信息对齐的架构，对齐Sentinel-1与MODIS的多模态卫星场景，构建稀疏专家标注数据集，提升海冰分类准确率，实现从稀疏监督的精确密集海冰分割。

Comments ECCV Workshop paper; BEAM 2

BoltNet: An Ultra-Lightweight Convolutional Network for On-Device Plant Species Identification

BoltNet：用于设备端植物物种识别的超轻量卷积网络

Daniel Rossi, Guido Borghi, Roberto Vezzani

机构 * University of Modena and Reggio Emilia（摩德纳与雷焦艾米利亚大学） 纠错

AI总结 针对设备端植物物种识别的需求，提出超轻量卷积网络BoltNet，结合空间重分配瓶颈与logit预采样，在Pl@ntNet300K等数据集上实现高F1分数，且在多硬件平台上效率最优。

Comments Accepted at the CVPPA (Computer Vision Problems in Plant Phenotyping and Agriculture) workshop, ECCV 2026. 17 pages, 2 figures

Learning with Bilevel-Minimax Optimization for Efficient and Reliable Transfer Attacks

基于双层极小极大优化的高效可靠迁移攻击学习

Yaohua Liu, Yifan Guo, Jiaxin Gao

机构 * The University of Hong Kong（香港大学） ； Dalian University of Technology（大连理工大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 该研究提出BMAT方法，通过双层极小极大优化实现初始化、代理适配与扰动的三元耦合，在30余种受害者模型上优于10余种基线，可高效可靠地生成迁移对抗样本。

Comments Accepted by ECCV 2026. 21 pages in total. Code available at https://github.com/callous-youth/BMAT

Language-Structured Relational Q-Learning for Threat-Aware Control in Safety-Critical Driving

面向安全关键驾驶中威胁感知控制的语言结构化关系Q学习

Aditya Humnabadkar, Huaizhong Zhang, Ardhendu Behera

机构 * Edge Hill University（埃奇希尔大学） 纠错

AI总结 该研究针对安全关键驾驶，提出语言结构化关系Q学习（ERQ-Net），经2500个场景测试，提升了威胁感知能力但存在识别-控制差距，为相关策略学习提供了新视角。

Comments Accepted manuscript: Workshop on Emerging Behaviors in Embodied AI for Achieving Robust Autonomy as part of European Conference on Computer Vision (ECCV) 2026

Test-Time Hallucination Control in Large Vision-Language Models

大型视觉语言模型的测试时幻觉控制

Mehran Tamjidi, Hamidreza Dastmalchi, Ali Cheraghian, Mohammadreza Alimoradijazi, Aijun An, Hossein Rahmani

机构 * Australian National University（澳大利亚国立大学） ； The University of New South Wales（新南威尔士大学） ； University of Technology Sydney（悉尼科技大学） ； York University（约克大学） ； Lancaster University（兰卡斯特大学） 纠错

AI总结 针对大型视觉语言模型的物体幻觉问题，提出无训练的测试时幻觉缓解（TTH）方法，通过令牌验证器模块等技术提升模型准确性与稳健性，通用性和实用性良好。

Comments Accepted at ECCV 2026 MUCG

ODE-Based Transformer Decoders for Iterative Sign Language Translation

基于常微分方程的Transformer解码器用于迭代手语翻译

Tuğçe Kızıltepe, Hacer Yalim Keles

机构 * ASELSAN（阿塞尔桑（土耳其国防工业公司）） ； Hacettepe University（哈杰泰佩大学） 纠错

AI总结 该研究将受常微分方程启发的高阶数值积分格式应用于迭代手语翻译，提出参数高效的解码器，在不增参数下提升性能，在两个基准上优于IPSLT基线。

Comments Accepted at the 14th International Workshop on Assistive Computer Vision and Robotics (ACVR 2026), held in conjunction with ECCV 2026

Gloss-Free Representation Learning for Cross-Dataset Sign Spotting

无 gloss（ gloss 指手语 gloss，即手语的书面转写）的跨数据集手语定位表征学习

Oğuz Akif Tüfekcioğlu, Ezgi Ekin, Mustafa Kaan Çevik, Hacer Yalim Keles

机构 * Hacettepe University（哈杰泰佩大学） 纠错

AI总结 本研究针对资源受限语言的手语研究，用土耳其广播语料库 TSL-News 基于转录文本的伪 gloss 标签预训练手语编码器，在跨数据集手语定位任务中显著提升性能，证明松散对齐的广播数据可提供有效弱监督学习手语表征。

Comments Accepted at the 4th LIMIT Workshop (Representation Learning with Very Limited Resources), ECCV 2026. The abstract was shortened to comply with arXiv's 1,920-character limit

SegPAR: Class-Centric Decision-Based Sparse Attack for Semantic Segmentation

SegPAR：面向语义分割的以类别为中心的基于决策的稀疏攻击

Dongsu Song, DaeYun GO, Boseung Seo, Jay Hoon Jung

机构 * Korea Aerospace University（韩国航空航天大学） 纠错

AI总结 该研究针对语义分割领域基于决策的黑盒稀疏攻击研究不足的问题，提出以类别为中心的SegPAR框架，引入差异奖励提升效率，实验显示其性能优于黑盒基线且与白盒攻击相当。

Comments ECCV 2026 poster