期刊&会议
European Conference on Computer Vision · 会议 · Computer Vision
MarineEVT：通过视觉工具推理推进以事件为中心的海洋视频理解
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Electronic Science and Technology of China（电子科技大学）
AI总结 针对海洋视频理解面临的挑战，构建MarineEVT数据集，将其理解分解为EVT-R1过程，利用视觉工具驱动模型。实验显示EVT-R1优于多个SOTA VLMs，为海洋相关发展奠定基础并推动VLMs进步。
Comments Accepted to The 19th European Conference on Computer Vision (ECCV) 2026
凝视到文本生成：超越人类注意力的分类解码
机构 * Stony Brook University（纽约州立大学石溪分校） ； Australian Institute for Machine Learning（澳大利亚机器学习研究所） ； Adelaide University（阿德莱德大学）
AI总结 该研究提出将凝视解码为自然语言描述人类目标的新问题，构建Gazette框架，基于多模态大语言模型，利用新颖策略合成出声思考转录本并指令调优，使其在多任务凝视解码中达最优性能，能推断多样场景下人类目标意图。
Comments To appear in European Conference on Computer Vision (ECCV) 2026
用于视觉语言模型智能体强化学习的统一评论家混合优势估计
机构 * KAUST（沙特阿卜杜拉国王科技大学）
AI总结 研究视觉语言模型智能体强化学习，提出HyGAE框架，用统一评论家估计值，推导混合优势联合优化令牌和轮次级目标，在多轮决策环境评估中平均成功率91%，比其他方法显著提升10%，证明混合优势解析形式对优化关键。
Comments Accepted by ECCV 2026
UltraViT：用于大型视觉语言模型的延迟优化设备端视觉编码器
机构 * Samsung AI Cambridge（三星人工智能剑桥实验室） ； Technical University of Iasi（雅西技术大学） ； Queen Mary University of London（伦敦玛丽女王大学）
AI总结 针对大型视觉语言模型在设备端部署受限问题，提出UltraViT视觉编码器，通过考虑设备延迟设计金字塔架构，并采用两阶段生成式预训练策略，有效提升编码效率，优于现有基线。
Comments Accepted at ECCV 2026
用于高分辨率多模态大语言模型中高效视觉令牌剪枝的结构化冗余建模
机构 * LG Electronics（LG电子） ； Pusan National University（釜山国立大学）
AI总结 针对高分辨率多模态大语言模型视觉令牌爆炸致延迟瓶颈问题，提出单向前向剪枝器SFPruner，通过语义引导岭杠杆方案和基于排名的方向掩码两个互补机制，在单次前向传递中实现冗余感知重要性选择，有效减少令牌选择时间并保持性能。
Comments Accepted to ECCV 2026
用于长尾分布的频谱感知分析类增量学习
AI总结 研究针对长尾分布的类增量学习问题，提出几何频谱校正（GSR）框架，将其视为频谱正则化问题，构造频谱扰动矩阵有选择地增大尾部类坍缩特征值，实验表明该方法在计算效率和鲁棒泛化间取得更好权衡，达新最优水平。
Comments ECCV 2026
分层虚拟试穿
机构 * University of Washington（华盛顿大学）
AI总结 研究针对现实中服装分层搭配的虚拟试穿难题，提出LVTON方法。先通过自动数据生成管道训练获取一般VTON先验知识，再在专用数据集微调学习分层逻辑，在LVTON基准及传统VTON基准上取得优异成果，展现零样本能力。
Comments Accepted to ECCV 2026
通过文本条件变换控制嵌入空间
机构 * Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所） ； Adobe Research（Adobe研究院）
AI总结 研究提出文本条件变换视觉嵌入，通过自然语言描述属性类别，网络生成仿射变换强调指定属性，能同时学习多属性，可在推理时访问，为控制嵌入空间提供统一高效框架，在多任务中展现近零推理成本的最优性能。
Comments Accepted at ECCV 2026
为视障人士生成基于文本的触觉图形
AI总结 研究为视障人士开发基于文本生成触觉图形的集成系统，引入制作感知技术，能联合生成多种元素，经评估和用户研究，结果优于基线，拓宽了生成式AI对视障群体及其他人的可及性。
Comments ECCV 2026, Project webpage: https://ruihangao.github.io/Text2TactileGraphics/
用于工作流生成的以知识为中心的智能体
机构 * INSAIT（未知机构） ； Sofia University “St. Kliment Ohridski”（索非亚大学“圣克莱门特·奥赫里德斯基”分校） ； Adobe Research（Adobe研究院）
AI总结 研究视觉创作系统中工作流生成问题，提出以知识为中心的框架，通过知识反转、注入和可逆推理进行工作流生成，实验证明该方法生成的工作流在多样性、结构连贯性和执行成功率上优于现有系统。
Comments Accepted to ECCV 2026
探索性、交流性和可部署性：用于开放世界移动操作的视觉驱动具身智能体
AI总结 研究针对具身智能体现实部署难题，提出REAL框架，通过建立一致环境API、设计任务组合优化性能，引入REAL - Bench评估。实验显示其智能体在交互式任务中表现出色，在物理机器人上也实现高成功率，弥合现实差距。
Comments Accepted to ECCV 2026. 57 pages. Code available at https://github.com/InternRobotics/REAL
用上下文提示调优个性化你的大型视觉语言模型
机构 * Brown University（布朗大学） ； Columbia University（哥伦比亚大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Purdue University（普渡大学） ； Rutgers University（罗格斯大学）
AI总结 提出上下文提示调优（ICPT）方法，通过轻量投影模块从多参考图像中提取细粒度视觉语义并转化为连续提示，结合几何正则化解决环境偏差和跨概念干扰，实现高效个性化。
Comments Accepted at ECCV 2026, 27 pages, 10 figures, 5 tables
StAR：分段任何推理器
AI总结 本文提出StAR框架，通过多角度优化提升分割性能，并首次引入并行测试时间扩展，构建ReasonSeg-X数据集以评估高级方法。
Comments ECCV 2026 / Code: https://github.com/ysj9909/StAR
HandSCS: 用于可动画手高斯点云的结构坐标空间
机构 * Queen Mary University of London（伦敦女王学院） ； University of Surrey（萨里大学）
AI总结 HandSCS 通过结构引导的 3D 高斯点云框架实现高保真的手部动画，采用结构坐标空间和跨姿态一致性损失提升姿态间一致性。
Comments Accepted to ECCV 2026
循环自回归扩散：全局记忆与局部注意力相结合
机构 * Peking University（北京大学） ； Princeton University（普林斯顿大学） ； Nanyang Technological University（南洋理工大学）
AI总结 研究针对超长视频生成中现有模型的不足，提出循环自回归扩散（RAD）框架，结合循环块与局部注意力，解决训练推理差距等问题，在相关数据集实验中展现出长视频生成的优越性。
Comments Published at ECCV 2026. Project page: https://yeyutaihan.github.io/recurrent-autoregressive-diffusion/
SLAM-Former：将同步定位与地图构建集成于一个Transformer
机构 * IIIS, Tsinghua University（清华大学智能系统研究所）
AI总结 研究将SLAM功能集成于单个Transformer的方法，核心是SLAM-Former由协同的前后端组成，前端实时处理单目图像用于增量映射和跟踪，后端全局优化，实验证明该方法相比现有密集SLAM方法性能优越。
Comments Published on ECCV 2026, Project Page:https://tsinghua-mars-lab.github.io/SLAM-Former
可变形三角形散列：用于实时辐射场渲染的灵活基元
机构 * Institut de Robòtica i Informàtica Industrial, CSIC-UPC（工业机器人与信息学研究所，西班牙国家研究委员会-加泰罗尼亚理工大学）
AI总结 研究针对辐射场方法依赖凸边界问题，提出可变形三角形散列，通过控制点和位移实现非凸形状表示，设计光栅化管道可微渲染，经多种场景验证，在视觉质量、通用性和渲染效率上表现出色。
Comments Accepted at ECCV 2026. Project page: https://orioljim1.github.io/detris
SiPhy：单图像物理属性推理
机构 * Michigan State University（密歇根州立大学）
AI总结 研究从单图像推断物理属性，核心方法是引入SiPhy框架，将视觉线索与材料知识对齐，通过采样、提取特征等操作及对比聚合器、重量感知细化来实现。在多个数据集上取得领先性能，还验证了其在真实交互数据集上作为数据标注引擎的潜力。
Comments Accepted to ECCV 2026 (main track)
InnoText：一种用于视觉文本生成和编辑的统一模型
机构 * JD.com, Inc.（京东公司） ； University of Chinese Academy of Sciences（中国科学院大学） ； Chongqing University of Post and Telecommunications（重庆邮电大学） ； Beijing University of Technology（北京工业大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； City University of Hong Kong（香港城市大学） ； Zhejiang University（浙江大学）
AI总结 针对视觉文本生成和编辑的挑战，提出基于DiT的统一框架InnoText，通过引入字体大小感知调制模块等策略，构建双语数据集，实现了在单个模型中进行文本生成和编辑，提升了生成精度和编辑质量。
Comments Accepted by ECCV 2026
FAIR：用于人工智能生成的假图像检测的特征增强隐式正则化
机构 * Deakin University（迪肯大学） ； Charles Sturt University（查尔斯·斯特尔特大学）
AI总结 针对人工智能生成图像检测中泛化难的问题，提出FAIR方法，通过引入场景构图结构（SCS）特征增强隐式正则化，训练时约束模型优化轨迹，推理时丢弃结构先验，提升跨生成器泛化能力，在多基准测试中提高准确率。
Comments Accepted to ECCV 2026
SAFE-Pruner: 语义注意力引导的未来感知令牌剪枝用于高效视觉-语言-动作操控
机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学）
AI总结 针对视觉-语言-动作模型推理加速中现有剪枝方法忽略深层视觉信息的问题，提出SAFE-Pruner框架，通过引入未来层注意力线索和语义注意力一致性实现前瞻性令牌剪枝，在仿真和真实实验中取得最高1.89倍加速且成功率下降小于1.7%。
Comments Accepted to ECCV 2026
真实场景中的逼真幻影道路：从物理几何中解构3D幻觉
机构 * University of Michigan（密歇根大学）
AI总结 本文提出首个端到端框架，用于探测、量化和抑制单目深度模型中因几何平面输入而产生的3D幻觉现象，通过引入3D-幻影基准和基于拉普拉斯的评估框架，提升深度模型的结构和上下文鲁棒性。
Comments Accepted to ECCV 2026
具有隐式和显式几何的3D感知视觉语言模型
机构 * Nanyang Technological University（南洋理工大学） ； DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； HuPan Lab（湖畔实验室）
AI总结 研究针对多数2D视觉输入的VLM处理3D任务困难的问题，提出VLM-IE3D框架，通过引入隐式和显式几何令牌及3D感知适配器，融合几何表示与视觉线索，在多种3D任务中表现优异。
Comments Accepted by ECCV 2026, Open Sourced
从不相交数据进行统一视频密集预测
机构 * Adobe Research（Adobe 研究院） ； Cornell University（康奈尔大学）
AI总结 研究旨在解决现有任务特定注释分散问题，提出统一视频模型UniD，从不相交特定领域数据集联合预测八个密集场景属性。通过简单蒸馏步骤，利用预训练扩散模型视觉先验弥合领域差距，性能优于特定任务专家和多任务基线，泛化能力强。
Comments ECCV 2026
用于高效高保真表示的循环正弦隐式神经表示
机构 * Department of Electrical Engineering, Korea University（韩国大学电气工程系） ； Graduate School of Artificial Intelligence, UNIST（蔚山国立科学技术院人工智能研究生院）
AI总结 研究将正弦循环用于INRs谐波频谱丰富，通过共享正弦块迭代优化潜在表示，经实验验证其频谱行为，在图像和3D表示任务中表现出色，能以少参数和步骤实现高保真，还可迁移至多种相关任务。
Comments Accepted to ECCV 2026 (Poster)
DINOde：用于开放词汇语义分割的连续视觉-文本对齐
机构 * Multimodal Intelligence and Perception Lab., DGIST（多模态智能与感知实验室，大邱庆北科学技术院） ； Visual Intelligence Lab., KAIST（视觉智能实验室，韩国科学技术院）
AI总结 研究针对开放词汇语义分割中视觉与文本对齐问题，提出基于ODE的DINOde框架，通过语义文本流和全局上下文流、速度切向投影等组件，连续对齐视觉与文本，实验证明该方法优于现有方法，性能达领先水平。
Comments Accepted to ECCV 2026. 27 pages, 8 figures, and 10 tables. Includes supplementary material
CRAG-MM诊断：实现对知识密集型视觉问答的逐阶段分析
机构 * New York University（纽约大学） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； MIT（麻省理工学院）
AI总结 研究知识密集型视觉问答流程，引入CRAG-MM-Diagnostics诊断基准，通过逐阶段数据注释分离子问题，评估VLM并进行细粒度分析，指出知识检索和推理是主要瓶颈，还提出改进流程提升准确率。
Comments Accepted to ECCV 2026
第二届LoViF 2026真实世界一体化图像恢复挑战赛：方法与结果
AI总结 第二届LoViF 2026真实世界一体化图像恢复挑战赛为评估模型在多种退化条件下的性能提供基准，吸引众多参与者。报告全面分析提交方案与结果，揭示有效策略，为真实世界低级别视觉研究建立新基准。
Comments ECCV 2026 Workshops; https://lowlevelcv.com/
用于不确定性感知文本到视频检索的分布对齐桥
机构 * School of Electronic and Electrical Engineering, Kyungpook National University（庆北国立大学电子与电气工程学院）
AI总结 研究文本到视频检索问题，提出分布对齐桥（DAB）框架，将其视为分布对齐任务，通过高斯分布建模考虑不确定性，用受扩散启发的桥和分布感知对比损失优化，在多基准测试中显著优于现有基线并提供校准排名。
Comments ECCV 2026
Axolotl3D：用于精确3D形状完成的统一框架
机构 * NVIDIA（英伟达）
AI总结 针对3D生成模型在多场景适用性有限及缺乏统一框架的问题，提出Axolotl3D模型，它基于多种模态条件设定，利用点云和相机参数，通过统一训练策略实现精确3D形状完成，实验验证其在多方面性能出色。
Comments Accepted to ECCV 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈