ECCV

Reconstructing Humans and Objects in Interaction using Large Reconstruction Models

基于大型重建模型重构交互中的人体与物体

Agniv Chatterjee, Georgios Pavlakos

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出MILO框架，利用大型重建模型（LRMs）从单张图像重构三维人体-物体交互，在多个基准场景中精度优于现有方法。

Comments Accepted at ECCV 2026. Project Page: this https URL (https://ac5113.github.io/MILO)

From Reasoning to Pixels: Grounded Medical Multimodal LLMs for VQA and Segmentation

从推理到像素：用于VQA和分割的接地医学多模态大语言模型

Haowen Gu, Gensheng Pei, Junzhu Mao, Qiong Wang, Mingwu Ren, Yazhou Yao

机构 * Nanjing University of Science and Technology（南京理工大学） ； Sungkyunkwan University（成均馆大学） 纠错

AI总结 针对现有医学多模态大语言模型缺乏像素级接地的问题，提出MedREAL框架，引入SARP与R2V机制，构建MedRAVS-13K数据集，在Med-VQA和分割任务上性能优于现有方法，为医学图像分析提供可解释框架。

Comments accepted by ECCV 2026

Beyond Atomic Layouts: Compositional Design Understanding with Vision-Language Models

超越原子布局：基于视觉-语言模型的组合式设计理解

Yiyang Huang, Zhaowen Wang, Simon Jenni, Jing Shi, Yitian Zhang, Yizhou Wang, Yun Fu

机构 * Northeastern University（东北大学） ； Adobe Research（奥多比研究院） 纠错

AI总结 本文针对组合式布局理解任务，提出后训练范式MASON，利用约2万布局的CoDeLayout数据集，使Qwen2.5-VL 7B准确率达91.66%，优于基线及全数据微调。

Comments ECCV 2026

CARE: Causally-Aligned Reasoning Exploration for Medical Large Language Models

CARE：面向医学大语言模型的因果对齐推理探索

Yucheng Zhou, Peng Luo, Qianning Wang, Chengzhong Xu, Jianbing Shen

机构 * University of Macau（澳门大学） ； Auckland University of Technology（奥克兰理工大学） 纠错

AI总结 本研究针对医学大语言模型的推理缺陷，提出CARE框架，通过因果充分性与近端可学习性条件筛选训练经验，在医学基准上提升了推理一致性与训练稳定性。

Comments ECCV 2026