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)