ECCV

G3Ego: Gaze-Guided Graphs for Egocentric Action Understanding

G3Ego：用于自我中心动作理解的注视引导图

Marko Haralović, Akash Ramakrishnan, Estefania Talavera Martinez

机构 * University of Zagreb（萨格勒布大学） ； University of Twente（特文特大学） 纠错

AI总结 本研究提出G3Ego框架，将注视直接融入图构建以识别动作相关实体，在EGTEA Gaze+和MECCANO数据集上实现有竞争力的动作理解性能，且在类别不平衡评估下提升Macro-F1，无需昂贵视频预训练。

Comments Accepted at the CONTEXTUS Workshop, ECCV 2026

SAE-Xplainers: Rule-Based Feature Interpretation for Extreme Earth Events

SAE-Xplainers：面向极端地球事件的基于规则的特征解释器

Hugo Porta, Emanuele Dalsasso, Chang Xu, Theo Gnassounou, Devis Tuia

AI总结 针对极端地球事件分析中SAE模型可解释性不足的问题，提出基于地理位置调制输入的SAE及规则型SAE-Xplainers集成模型，在火灾预测等三类任务上验证了其性能与解释能力。

Comments 22 pages, 16 Figures, Under Review. A non-archival 2-page version was accepted as an oral presentation at Climate Informatics 2026 (Extended Abstract ID 66, this https URL (https://github.com/freddy0218/ClimateInformatics2026/tree/main) ), and a non-archival 4-page version was accepted as an oral presentation at the AICC Workshop at ECCV 2026

BeyondMasks: Evaluating Causal and Physical Consistency in Video Object Removal

BeyondMasks：评估视频对象移除中的因果与物理一致性

Yigit Ekin, Enes Sanli, Aykut Erdem, Erkut Erdem, Aysegul Dundar

机构 * Bilkent University（毕尔肯大学） ； Koç University（科克大学） ； Hacettepe University（哈杰泰佩大学） ； KUIS AI Center（KUIS人工智能中心） 纠错

AI总结 该研究推出BeyondMasks基准及CORE评估协议，针对现有视频对象移除评估仅关注局部掩码保真度的问题，填补了视觉合理性与因果正确性的差距。

Comments ECCV 2026 Project Page: this https URL (https://yigitekin.github.io/BeyondMasks/)

Gravity-aware partially calibrated absolute pose estimation from affine- or rotation-covariant features

基于仿射或旋转协变特征的感知重力的部分标定绝对位姿估计

Marcus Valtonen Örnhag, Alberto Jaenal, Stefan Adalbjörnsson

机构 * Ericsson Research（爱立信研究院） ； University of Zaragoza（萨拉戈萨大学） 纠错

AI总结 该研究针对部分标定绝对位姿估计的空白，利用IMU重力向量与特征局部几何构建两种高效求解器，实现更少样本、更低成本的快速精准定位与焦距估计。

Comments European Conference on Computer Vision 2026

STEP: Score-Based Temporal Energy for Human Pose Video Anomaly Detection

STEP：用于人体姿态视频异常检测的基于分数的时序能量模型

Jakub Micorek, Mateusz Koziński, Horst Possegger

机构 * Institute of Visual Computing, Graz University of Technology（格拉茨工业大学视觉计算研究所） ； Institute for Medical Informatics, Statistics and Documentation, Medical University of Graz（格拉茨医科大学医学信息学、统计学与文档研究所） 纠错

AI总结 本文提出STEP框架，通过PCA投影姿态序列并引入序列级加权机制，在UBnormal数据集上比现有最优方法提升12.2%，实现高效的人体姿态视频异常检测。

Comments Accepted to ECCV 2026. Project page: this https URL (https://jakubmicorek.github.io/STEP-demo) | Code: this https URL (https://github.com/jakubmicorek/STEP)

Far from the Crowd: Scalable Self-Supervised Learning via Geographic Isolation

远离人群：基于地理隔离的可扩展自监督学习

Daniele Rege Cambrin, Francesco Rossi, Mattia Varile

机构 * AIKO 纠错

AI总结 该研究提出基于地理隔离的无标签代理指标，将其集成到MoCoV2和MAE预训练中，在CopernicusBench的三个下游任务上验证，可大幅降低预计算成本并提升下游性能。

Comments Accepted to ECCV 2026 TerraBytes Workshop

Gallileo-4D: Frozen Backbone Ensemble for Dynamic 4D Reconstruction

Gallileo-4D：用于动态4D重建的冻结主干集成模型

Nicolò Savioli

机构 * OdaxAI Research（OdaxAI研究院） 纠错

AI总结 该研究为PhysAI动态4D重建挑战赛设计了冻结主干集成模型，通过融合三种解码配置实现零训练成本下的APD提升，获27支队伍中第三名。

Comments Technical report for the PhysAI Dynamic 4D Reconstruction Challenge at the ECCV 2026 Workshop on Physical AI. Third of 27 teams. 14 pages, 10 figures. Code: this https URL (https://github.com/odaxai/Gallileo-4D) Weights: this https URL (https://huggingface.co/OdaxAI/gallileo-4d-weights)

RIPE++: Reinforced Keypoint Learning from Positive Pairs Only

RIPE++：仅从正样本对中学习的强化关键点学习

Johannes Künzel, Peter Eisert, Anna Hilsmann

机构 * Fraunhofer Heinrich-Hertz-Institute, HHI（弗劳恩霍夫海因里希·赫兹研究所） ； Humboldt University Berlin（柏林洪堡大学） 纠错

AI总结 本文提出RIPE++，一种仅从正样本对学习的强化关键点学习方法，适配LightGlue后提升了MegaDepth1500的AUC@5，可用于低纹理医学视频等监督有限的场景。

Comments LIMIT@ECCV 2026

CAViAR: A Causal Video Dataset for Fine-Grained Accident Reasoning in Real-World Scenarios

CAViAR：用于真实场景细粒度事故推理的因果视频数据集

Sparsh Garg, Yi-Wen Chen, Vijay Kumar B G, Abhishek Aich

机构 * NEC Laboratories, America（美国NEC实验室） 纠错

AI总结 该研究推出人工标注的真实事故视频基准CAViAR，测试发现现有VLMs存在感知-推理差距，无法可靠将驾驶场景主体行为映射到责任类别。

Comments Accepted to ECCV 2026 Workshop DriveX

Does Marginal Coverage Guarantee Class-Conditional Safety for Zero-Shot VLMs Under Shift?

在分布偏移下，边际覆盖率能否保证零样本视觉语言模型（VLM）的类条件安全性？

Jai Kumar Sharma, Amartya Dutta

机构 * Virginia Tech（弗吉尼亚理工大学） 纠错

AI总结 该研究针对CLIP等零样本VLM，发现边际共形覆盖率无法保证类条件安全性，源域校准无法迁移，目标域类别校准可改善尾部但需类别标签，指出其仅为平均可靠性统计量。

Comments Accepted at the ECCV 2026 Workshop on Uncertainty Quantification for Computer Vision (UNCV). 34 pages (16 main + 18 supplementary), 10 figures