ECCV

WildFin: An In-the-Wild Dataset for Fish Behavioral Recognition

WildFin：用于鱼类行为识别的野外数据集

Abigail G. Grassick, Jerome Tze-Hou Hsu, Ethan Lin, Ziang Liu, Max Whitton, Madelyn Hair, Liam Gutierrez, Haozheng Yu, Kristin Branson, Vivek Jayaraman, Michael A. Gil, Andrew M. Hein, Jennifer J. Sun

机构 * Cornell University（康奈尔大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； HHMI Janelia Research Campus（HHMI珍妮亚研究园区） 纠错

AI总结 针对复杂海洋环境中鱼类行为识别模型失效问题，推出WildFin野外数据集，经大规模整理标注后对视觉基础模型测试，发现其与现实需求存在显著差距。

Comments 31 pages, 4 figures ECCV Marine 26 Workshop

LoRC: Detecting AI-Generated Images via Low-Rank Collapse in Semantic Residuals

LoRC：基于语义残差中的低秩坍缩检测AI生成图像

Haozhen Yan, Ruoxin Chen, Jiahui Zhan, Bo Wang, Youchang Xiao, Shouhong Ding, Liqing Zhang, Taiping Yao, Jianfu Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Tencent Youtu Lab（腾讯优图实验室） 纠错

AI总结 本研究针对AI生成图像检测问题，提出LoRC框架，利用生成器语义残差的低秩坍缩特征，在多基准测试中平均提升7.0%准确率，在39个未见过的生成器上达97.0%准确率，具备强泛化性与鲁棒性。

Comments ECCV 2026 Spotlight

CubicSplat: Differentiable Vector Graphics via Error-Bounded Forward Relaxation

CubicSplat：通过误差有界前向松弛实现可微矢量图形

Chenglong Liu, Xin Zhang, Yimeng Zhu, Liyang He, Yixiao Ma, Yu Su, Zhenya Huang, Qi Liu

AI总结 该研究针对矢量图形可微优化的梯度矛盾问题，提出CubicSplat可微矢量光栅化器，在DIV2K和Kodak基准上实现更优重建质量与更快训练速度

Comments 27 pages, 8 figures, 7 tables. ECCV 2026 Oral

SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers

SPARC：采用保形贝叶斯最后层的运动预测单通缩放方法

Sakif Hossain, Julian Teusch, Jörg P. Müller

机构 * Clausthal University of Technology (TU Clausthal)（克劳斯塔尔工业大学（克劳斯塔尔工业大学）） 纠错

AI总结 本文提出SPARC，一种贝叶斯-保形不确定性层，在9个数据集-协议模块上的NLL及MPJPE+NLL综合指标优于基线，可作为轻量风险监控工具。

Comments Accepted at ECCV 2026

DiGS-Avatar: Single-Image Animatable 3D Human Reconstruction via UV-Space Diffusion

DiGS-Avatar：基于UV空间扩散的单图像可动画三维人体重建

Jiakun Li, Li Fang, Hao Zhu, Fei Hu, Long Ye, Yuan Zhang, Jinyao Yan

机构 * Key Laboratory of Media Audio and Video (Communication University of China)（中国传媒大学媒体音频与视频重点实验室） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） 纠错

AI总结 本文提出DiGS-Avatar，将单图像可动画三维人体重建转化为UV空间扩散的潜变量补全任务，通过师生框架优化后解码为三维高斯基元，实现了高效高质量的重建与零样本泛化。

Comments ECCV 2026

Generating Multi-view Adversarial Examples for Visual Geometry Grounded Transformer

为视觉几何接地Transformer生成多视角对抗样本

Qi Song, Ziyuan Luo, Haoliang Han, Renjie Wan

机构 * Hong Kong Baptist University（香港浸会大学） 纠错

AI总结 本研究针对3D基础模型VGGT的安全漏洞，提出MVAP-G多视角对抗扰动生成器，通过跨视角对抗对齐机制生成一致扰动，可无需迭代优化即可显著降低VGGT性能，为3D视觉系统鲁棒性研究提供了新方向。

Comments ECCV 2026

Geometric Regularization for Long-Tailed Semi-Supervised Learning via Gaussian Feature Bridges

基于高斯特征桥的长尾半监督学习几何正则化方法

Hongyang He, Xinyuan Song, Yan Zhong, Daizong Liu, Yanbin Li, Yang-fan He, Wenqiao Zhang

机构 * University of Warwick（华威大学） ； Wuhan University（武汉大学） ； Emory University（埃默里大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本研究针对长尾半监督学习的标签分布失衡与伪标签噪声问题，提出高斯桥一致性框架及BridgeMix策略，经基准实验验证可有效提升长尾类性能且具备良好可扩展性。

Comments Accepted at the European Conference on Computer Vision (ECCV) 2026. Conference page: this https URL (https://eccv.ecva.net/virtual/2026/poster/4113)

MV2GF: Multi-view Pedestrian Detection with a Visual Geometric Foundation Model

MV2GF：基于视觉几何基础模型的多视角行人检测

Taiga Yamane, Satoshi Suzuki, Ryo Masumura, Shota Orihashi, Tomohiro Tanaka, Mana Ihori, Naoki Makishima

机构 * Human Informatics Laboratories, NTT, Inc.（NTT公司人类信息学实验室） 纠错

AI总结 本文针对现有多视角行人检测方法泛化性差的问题，提出基于视觉几何基础模型的MV2GF，通过融合任务特定特征与通用几何特征、利用3D点图投影像素，提升了未见过相机配置下的泛化能力。

Comments Accepted by ECCV 2026

Keep Your Friends Close, and the Right Neighbours Closer: Disaster-Conditioned Kernel-Regularized Graph Attention for Building Damage Classification

保持你的朋友亲近，合适的邻居更亲近：面向建筑损坏分类的灾害条件核正则化图注意力方法

Fuad Hasan, Chul Min Yeum

机构 * University of Waterloo（滑铁卢大学） 纠错

AI总结 针对建筑损坏分类的空间上下文误用问题，提出灾害条件核正则化图注意力方法，结合残差去相关损失，在xBD数据集上提升宏F1并降低残差空间自相关，实现可靠的跨事件迁移。

Comments Accepted in ECCV 2026

SubSplat: High-Resolution Pixel-aligned 3DGS via Sub-pixel Gaussian Reparameterization

SubSplat：通过亚像素高斯重参数化实现高分辨率像素对齐的3DGS

Jiun Lee, Jaekwang Kim, Sangmin Lee

机构 * AimFuture(c)（AimFuture公司） ； Sungkyunkwan University（成均馆大学） ； Korea University（韩国大学） 纠错

AI总结 研究像素对齐高斯渲染高分辨率与成本权衡问题，提出SubSplat方法，通过亚像素高斯重参数化器细分高斯并结合特征聚合提升质量，实验证明该方法能高效实现高保真渲染，解决了相关权衡问题。

Comments ECCV 2026 (Spotlight)

Prompt2Effect: Training-Free Image-to-Video Model Specialization via LoRA Generation

Prompt2Effect: 通过LoRA生成实现免训练图像到视频模型特化

Xiaomeng Yang, Yanyu Li, Gordon Guocheng Qian, Ivan Skorokhodov, Viacheslav Ivanov, Avalon Vinella, Xuan Zhang, Yanzhi Wang, Sergey Tulyakov, Anil Kag

机构 * Northeastern University（东北大学） ； Snap Inc.（Snap公司） 纠错

AI总结 提出Prompt2Effect，一种权重驱动超网络，通过单次前向传播直接合成效果特定的LoRA权重，无需训练，在保持视频质量的同时将计算成本从56 GPU小时降至3.3秒。

Comments Accepted to ECCV 2026, project page: this https URL (https://xiaomeng-yang.github.io/Prompt2Effect)

DF3DV-1K: A Large-Scale Dataset and Benchmark for Distractor-Free Novel View Synthesis

DF3DV-1K：用于无干扰新视角合成的大规模数据集与基准

Cheng-You Lu, Yi-Shan Hung, Wei-Ling Chi, Hao-Ping Wang, Charlie Li-Ting Tsai, Yu-Cheng Chang, Yu-Lun Liu, Thomas Do, Chin-Teng Lin

机构 * University of Technology Sydney（悉尼科技大学） ； University of Sydney（悉尼大学） ； National Yang Ming Chiao Tung University（阳明交通大学） 纠错

AI总结 为弥补无干扰辐射场领域缺乏大规模真实世界数据集的空白，构建了包含1048个场景、每场景提供干净和杂乱图像集的DF3DV-1K数据集，并基于此基准测试了九种最新方法，识别出最鲁棒的方法和最具挑战的场景。

Comments ECCV 2026 Accepted

CFM: Language-aligned Concept Foundation Model for Vision

CFM：面向视觉的语言对齐概念基础模型

Kai Wittenmayer, Sukrut Rao, Amin Parchami-Araghi, Bernt Schiele, Jonas Fischer

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） 纠错

AI总结 CFM提出一种语言对齐的概念基础模型，提供细粒度可解释的概念，提升视觉任务的解释能力，实现分类、分割和描述生成的高性能表现。

Comments Accepted as a Spotlight at ECCV 2026. Corrected inaccuracies in equation 3,4 and B.8. 58 pages