ECCV

IDeaL: Data-Free Multi-Teacher Distillation via Improved Dead Leaves

IDeaL：基于改进型枯叶（Improved Dead Leaves）的无数据多教师蒸馏

Feyza Yavuz, Mert Bülent Sarıyıldız, Diane Larlus

机构 * NAVER LABS Europe（NAVER欧洲实验室） 纠错

AI总结 该研究针对多教师蒸馏需依赖真实数据的前提，提出IDeaL无数据蒸馏方法，通过去相关损失生成改进样本，所得学生模型性能可与基于少量真实图像蒸馏的模型媲美。

Comments Accepted at ECCV 2026. Project Page is at this https URL (https://blisgard.github.io/ideal_project)

Human-Inspired Social Engagement Analysis via Interpretable Mutual Visual Attention

受人类启发的基于可解释互视觉注意的社交参与分析

Urwa Fatima, Mohammad Zohaib, Francesca Odone, Nicoletta Noceti

机构 * DIBRIS-Università degli Studi di Genova（热那亚大学DIBRIS学院） ； MaLGa - Machine Learning Genoa center（马耳他热那亚机器学习中心） ； Istituto Italiano di Tecnologia（意大利技术研究院） 纠错

AI总结 该研究提出受互视觉注意心理学启发的可解释社交参与模型，结合头部姿态估计与几何推理，通过定量实验和定性可视化验证，可支持相关人员理解群体互动动态。

Comments ECCV 2026 Workshop - 3rd Human-inspired Computer Vision

X-MULTI: VLM-based Imaging Factor Disentanglement for Factor-Aware Image Synthesis

X-MULTI：基于VLM的成像因子解耦用于因子感知图像合成

Sonali Godavarthy, Matthias Neuwirth-Trapp, Tim-Felix Faasch, Maarten Bieshaar, Michael Moeller, Kristof Van Laerhoven, Danda Pani Paudel

机构 * University of Siegen（锡根大学） ； ETH Zürich（苏黎世联邦理工学院） ； Bosch Research（博世研究中心） ； INSAIT（INSAIT（保加利亚的智能与数据科学研究所）） ； Sofia University “St. Kliment Ohridski”（索非亚大学“圣·克利门特·奥赫里德斯基”） 纠错

AI总结 该研究针对文本到图像生成的成像因子解耦问题，提出基于VLM的X-MULTI方法及改进的I-FAA指标，提升了新颖因子组合的因子对齐效果与评估的稳健性。

Comments Accepted to the MUCG Workshop at ECCV 2026

Low-Rank Ternary Adaptation for Fine-Tuning Transformers

用于微调Transformer的低秩三元适配

Alexandru-Dragos Manolache, Yunqiang Li, Jan van Gemert

机构 * Delft University of Technology（代尔夫特理工大学） ； Amazon Development Center（亚马逊研发中心） 纠错

AI总结 针对现有低比特LoRA方法无法直接微调三元Transformer权重的问题，提出三元乘法适配方法，在语言和视觉领域的多个三元模型上恢复了量化损失的性能，且优于相关基线。

Comments Accepted at ECCV 2026. To be published in Volume 17015 of the Lecture Notes in Computer Science series

MaST: Motion-aware Sparse Pipeline for Lightweight Object Tracking

MaST：面向轻量型目标跟踪的运动感知稀疏流水线

Qingmao Wei, Fagui Liu, Dengke Zhang, Qingze He, Quan Tang

机构 * South China University of Technology（华南理工大学） ； Pengcheng Laboratory（鹏城实验室） 纠错

AI总结 针对Transformer目标跟踪器计算成本过高的问题，提出MaST框架，通过运动先验优化token剪枝、设计原生稀疏预测头，在轻量型跟踪任务中取得最优性能，速度优于现有方法。

Comments ECCV 2026 accepted paper

Rethinking Pre-Training and Augmentation for Zero-Shot Cross-City Object Detection

重新思考零样本跨城市目标检测的预训练与数据增强方法

Long Hoang Pham, Quoc Pham-Nam Ho, Huy-Hung Nguyen, Duong Nguyen-Ngoc Tran, Ngoc Doan-Minh Huynh, Cu Quoc Le, Hoang-Khang Nguyen, Hyung-Min Jeon, Chi Dai Tran, Son Hong Phan, Duong Khac Vu, Trinh Le Ba Khanh, Jae Wook Jeon

机构 * Sungkyunkwan University（成均馆大学） 纠错

AI总结 针对隐私要求下训练评估流程盲态的跨城市目标检测域偏移问题，提出含类别无关目标性蒸馏与Grayworld变换的模块化流程，优化RF-DETR变体在AI City Challenge Track 6获第一。

Comments This paper has been accepted by the AI City Challenge Workshop of the European Conference on Computer Vision (ECCV 2026)

Syn2RealTrack: Bridging the Gap Between Synthetic and Real-World Datasets for Online Multi-View Multi-Target Tracking

Syn2RealTrack：弥合合成数据集与真实世界数据集之间的差距，用于在线多视图多目标跟踪

Duong Nguyen-Ngoc Tran, Ngoc Doan-Minh Huynh, Cu Quoc Le, Hoang-Khang Nguyen, Long Hoang Pham, Huy-Hung Nguyen, Quoc Pham-Nam Ho, Trinh Le Ba Khanh, Chi Dai Tran, Duong Khac Vu, Son Hong Phan, Hyung-Min Jeon, Jae Wook Jeon

机构 * Sungkyunkwan University（成均馆大学） 纠错

AI总结 Syn2RealTrack将合成到真实域差距分解为三个环节并对应局部解决方案，无需重训特征提取器，在AI City Challenge 2026 Track 1评估中3D HOTA达52.0118%，用于在线多视图多目标跟踪

Comments This paper has been accepted by the AI City Challenge Workshop of the European Conference on Computer Vision (ECCV 2026)

CRISP: Calibration-Aware Visual State Space Duality for Remote Sensing Semantic Segmentation

CRISP：面向遥感语义分割的校准感知视觉状态空间对偶模型

Kangning Wang, Haopeng Zhang, Zhiguo Jiang

机构 * Tianmushan Laboratory, Beihang University（北京航空航天大学天目山实验室） ； Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） ； School of Astronautics, Beihang University（北京航空航天大学宇航学院） 纠错

AI总结 针对VSSD用于遥感语义分割时的边界平滑问题，提出含DCO与OMP头的CRISP框架，在约30M参数规模下提升了mF与mIoU，性能与SOTA相当。

Comments Accepted to ECCV 2026. 22 pages, including supplementary material; 9 figures. Code: this https URL (https://github.com/crazylifeha/CRISP)

From Local Geometry to Global Pseudo Labeling for Robust Positive Unlabeled Learning under Covariate Shift

从局部几何到全局伪标注：协变量偏移下鲁棒的正无标记学习

Firas Gabetni, Alexandre Rocchi, Nacim Belkhir, Ziyi Liu, Gianni Franchi

机构 * U2IS, ENSTA（U2IS，ENSTA） ； Institut Polytechnique de Paris（巴黎政治学院） ； AMIAD, Pôle Recherche, Palaiseau（AMIAD，研究学院，帕莱索） 纠错

AI总结 提出SPUNA框架，利用局部流形结构逐步发现偏移数据，在协变量偏移下实现正无标记学习，性能达到全监督方法水平。

Comments ECCV 2026

Volume Transformer: Revisiting Vanilla Transformers for 3D Scene Understanding

体积分层变换器：重新审视标准变换器用于3D场景理解

Kadir Yilmaz, Adrian Kruse, Tristan Höfer, Daan de Geus, Bastian Leibe

机构 * RWTH Aachen University（亚琛RWTH大学） ； Eindhoven University of Technology（埃因霍温技术大学） 纠错

AI总结 本文提出体积分层变换器（Volt），通过最小修改将标准变换器编码器应用于3D场景，利用体积分块和全全局自注意力机制，结合3D旋转位置嵌入，实现3D语义分割，并通过多数据集联合训练提升性能，达到室内和室外数据集的最新水平。

Comments Accepted to ECCV 2026 (Long Oral). Project page: this https URL (https://vision.rwth-aachen.de/Volt)

RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation

RePL：伪标签细化用于半监督激光雷达语义分割

Donghyeon Kwon, Taegyu Park, Suha Kwak

机构 * Dept. of CSE, POSTECH（浦项科技大学计算机科学与工程系） ； GSAI, POSTECH（浦项科技大学人工智能研究生院） 纠错

AI总结 RePL通过掩码重建识别并纠正伪标签中的潜在错误，提升伪标签质量，从而在激光雷达语义分割中取得最优性能。

Comments ECCV 2026

Segmentation-Guided Homography Estimation for Long-Term Planar Tracking

准确的平面跟踪与鲁棒重检测

Jonas Serych, Jiri Matas

机构 * Visual Recognition Group, Faculty of Electrical Engineering, Czech Technical University in Prague（视觉识别组，电气工程系，布拉格捷克技术大学） 纠错

AI总结 本文提出SAM-H和WOFTSAM两种新型平面跟踪器，通过结合SAM 2的鲁棒分割跟踪与8自由度单应性估计，显著提升平面跟踪的准确性和鲁棒性。

Comments Accepted to ECCV 2026. Code: this https URL (https://github.com/serycjon/WOFTSAM) Project page: this https URL (https://cmp.felk.cvut.cz/~serycjon/WOFTSAM/)

Intrinsic PAPR: Tackling Misattribution in 3D Intrinsic Decomposition via Proximity Attention Point Rendering

内在PAPR：通过邻近注意力点渲染解决3D内在分解中的属性误分配问题

Alireza Moazeni, Shichong Peng, Yanshu Zhang, Chirag Vashist, Ke Li

AI总结 该研究针对3D内在分解中属性误分配问题，提出Intrinsic PAPR框架，通过邻近注意力点渲染实现逐点监督，在新视图合成和反照率估计上优于多种现有方法。

Comments Accepted to ECCV 2026. 21 pages + 34-page supplementary material