ECCV

Memory-Supported Synergistic Adaptation for Training-Free Test-Time Medical Image Segmentation

用于无训练测试时医学图像分割的内存支持协同适应

Lingrui Li, Nan Pu, Dong Zhao, Wenjing Li, Andrew P French, Zhun Zhong, Xin Chen

机构 * School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院） ； School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院） ； Information Systems Technology and Design Pillar, Singapore University of Technology and Design（新加坡科技设计大学信息系统技术与设计支柱） 纠错

AI总结 研究针对医学图像分割中测试时适应的挑战，提出内存支持协同适应（MSSA）框架，不更新模型参数，通过构建在线内存、文本引导语义先验及跨图像结构对齐实现稳健适应，实验证明其优于现有方法。

Comments 18 pages, ECCV 2026

ConsiSpace: Learning Geometric Consistency Matters for Video Spatial Reasoning

ConsiSpace：学习几何一致性对视频空间推理很重要

Ting Huang, Zhenyu Zhang, Wenyuan Huang, Jian Yang, Hao Tang

机构 * School of Intelligent Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； School of Computer Science, Peking University（北京大学计算机科学学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

AI总结 针对视频空间推理中现有模型难以聚合一致空间证据的问题，提出ConsiSpace框架，通过构建几何一致内存及采用统一一致性自监督强化学习，在三个空间推理基准测试上取得成绩提升，平均得分比最强基线高12.6分。

Comments ECCV 2026

TraversRL: Traversable Pedestrian Pathway Generation With Reinforcement Learning

TraversRL：基于强化学习的可通行行人路径生成

Bin Han, Robert Wolfe, Bill Howe

机构 * University of Washington（华盛顿大学） ； Rutgers University（罗格斯大学） 纠错

AI总结 研究旨在从航拍图像生成行人路径，核心方法是用TraversRL视觉条件模型，通过特定动作空间和奖励机制迭代生长路径网络，主要贡献是相比基线提升交并比与连通性指标，结合奖励生成更优网络，证明该建模方法的有效性。

Comments Accepted to ECCV 2026, main conference

DA-MergeLoRA: Hypernetwork-Based LoRA Merging for Few-Shot Test-Time Domain Adaptation

DA-MergeLoRA：基于超网络的LoRA合并用于少样本测试时的域适应

Siobhan Reid, Zhixiang Chi, Li Gu, Omid Reza Heidari, Ziqiang Wang, Yang Wang

机构 * Concordia University（康考迪亚大学） ； University of Toronto（多伦多大学） ； Mila – Quebec AI Institute（米拉-魁北克人工智能研究所） 纠错

AI总结 研究少样本测试时的域适应问题，提出DA-MergeLoRA框架，将LoRA微调与模型合并相结合，通过元学习训练超网络生成合并因子，在多个域适应数据集上取得最优性能。

Comments ECCV 2026, Code: https://github.com/nahbois4321/DA-MergeLoRA

Orthogonal Knowledge Refreshing for Domain-Incremental Object Detection

用于域增量目标检测的正交知识刷新

Aoting Zhang, Dongbao Yang, Chang Liu, Xiaopeng Hong, Can Ma, Yu Zhou

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； Nankai University（南开大学） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

AI总结 研究域增量目标检测问题，提出正交知识刷新（OKR）框架，通过构建特定域子空间、采用正交刷新策略和拓扑感知一致性，减少知识干扰和语义碎片化，实验表明该方法在mAP上比最佳无范例方法有显著提升。

Comments Accepted by ECCV 2026

TopoGS: Planar Reconstruction via Topology-aware 3D Gaussian Splatting

TopoGS：通过拓扑感知3D高斯点云进行平面重建

Shanshan Pan, Jiale Chen, Yilin Liu, Hui Huang

机构 * Shenzhen University（深圳大学） ； Autodesk Research（欧特克研究院） 纠错

AI总结 研究旨在从原始图像提取结构化3D表示，提出TopoGS框架，通过提取多视图图像的2D拓扑关系，将高斯基元锚定到结构元素，联合优化平面参数等，在ScanNet++数据集上达最优性能，生成高质量3D模型。

Comments European Conference on Computer Vision (Proceedings of ECCV 2026); Project page: https://vcc.tech/research/2026/TopoGS

Art Beyond Semantics: Sheaf-Informed Contrastive Learning for Multi-Relational Representations

超越语义的艺术：用于多关系表示的层状信息对比学习

Ludovica Schaerf, Antonio Purificato, Piera Riccio, Fabrizio Silvestri, Noa Garcia

机构 * University of Zurich（苏黎世大学） ； Max Planck Institute Bibliotheca Hertziana（马克斯·普朗克赫兹iana图书馆研究所） ； Sapienza University of Rome（罗马第一大学） ； Amazon（亚马逊） ； University of Amsterdam（阿姆斯特丹大学） ； The University of Osaka（大阪大学） 纠错

AI总结 该研究针对视觉语言模型丢失艺术作品多关系结构的问题，引入受层理论启发的CANVAS框架，通过多嵌入和对比损失学习关系感知多模态表示，在新基准测试中表现优于基线，证明多关系对齐在艺术理解中兼具理论与实践价值。

Comments Accepted to ECCV 2026

3D FaceShell: Attribute Transfer in 3D Face Avatars as a VLM Defense Mechanism

3D FaceShell：作为视觉语言模型防御机制的3D人脸头像属性转移

Weston Bondurant, Srijan Das, Hieu Le, Stephanie Schuckers

机构 * University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） 纠错

AI总结 针对VLM可从3D人脸渲染图像提取敏感属性的隐私挑战，提出3D FaceShell框架，通过可学习高斯壳产生扰动，在保持面部外观的同时引导VLM语义解释，实验证明其能有效提高属性注入和不匹配率。

Comments ECCV 2026

BrainFIBRE: A Foundation Model via Information Decomposition for Brain Microstructure

BrainFIBRE：基于信息分解的脑微结构基础模型

Zijian Dong, Yi Lin, Fang Ji, Jianxiong Zhou, Kwun Kei Ng, Juan Helen Zhou

机构 * National University of Singapore（新加坡国立大学） 纠错

AI总结 提出BrainFIBRE，首个脑微结构基础模型，通过自监督部分信息分解（SPID）和反事实候选构建（CCC）从NODDI图谱中解缠独特、协同和冗余信息，在多种预测任务上达到最优性能。

Comments ECCV 2026. Author name corrected in V2

H-Adapter: Pose-Robust Hairstyle Transfer via Attention-Derived, Source-Aligned Hair Masks

H-Adapter: 通过注意力导出的源对齐头发掩码实现姿态鲁棒的发型迁移

Seulgi Jeong, Yunseong Cho, Sanghun Park

机构 * SNOW Corp.（SNOW公司） 纠错

AI总结 提出H-Adapter，利用区域特定损失解耦头发与非头发目标，导出源对齐头发编辑掩码引导扩散修复，实现大姿态差异下的鲁棒发型迁移，在FID、FID_CLIP和CLIP-I指标上取得最优。

Comments Accepted at ECCV 2026. Project page: https://sanghunpark.github.io/hadapter_page/

Curvature-Adaptive Consistency Flow Matching: Autonomous Trajectory Optimization via Reinforcement Learning

曲率自适应一致性流匹配：基于强化学习的自主轨迹优化

Songtao Tian, Guhan Chen, Bohan Li, Jingyi Ma, Zixiong Yu

机构 * Tsinghua University（清华大学） 纠错

AI总结 提出曲率自适应一致性流匹配（CACFM），利用强化学习代理动态构建效率导向课程，优先处理关键区域，在FLUX和SDXL等大规模模型上实现最先进结果，极少数步下保持高视觉保真度。

Comments Accepted by ECCV 2026

NaP-Control: Navigating Diffusion Prior for Versatile and Fast Character Control

NaP-Control: 为多功能和快速字符控制导航扩散先验

Chia-Wen Chen, Yan Wu, Korrawe Karunratanakul, Siyu Tang

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出NaP-Control方法，通过强化学习操控任务无关的扩散策略先验的潜在噪声，实现快速、鲁棒且高保真的字符控制，同时通过环境交互优化任务奖励，提升成功率并适应挑战性场景。

Comments ECCV 2026. Project page: https://chiawenchen.github.io/nap-control-project/

GAP-MLLM: Geometry-Aligned Pre-training for Activating 3D Spatial Perception in Multimodal Large Language Models

GAP-MLLM：几何对齐预训练以激活多模态大语言模型中的3D空间感知

Jiaxin Zhang, Junjun Jiang, Haijie Li, Youyu Chen, Kui Jiang, Dave Zhenyu Chen

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； Huawei（华为） 纠错

AI总结 本文提出GAP-MLLM，通过几何对齐预训练激活多模态大语言模型中的3D空间感知，改进了传统方法在3D空间感知上的不足。

Comments Accepted by ECCV 2026. Project page: https://gapmllm.github.io/

IoUCert: Robustness Verification for Anchor-based Object Detectors

IoUCert: 基于锚点的目标检测器鲁棒性验证

Benedikt Brückner, Alejandro J. Mercado, Yanghao Zhang, Panagiotis Kouvaros, Alessio Lomuscio

AI总结 IoUCert通过改进的坐标变换和区间边界传播方法，首次实现了对基于锚点的目标检测模型在多种输入扰动下的鲁棒性验证。

Comments ECCV 2026

Audio-Visual Continual Test-Time Adaptation without Forgetting

音频视觉持续测试时间适应无需遗忘

Sarthak Kumar Maharana, Akshay Mehra, Bhavya Ramakrishna, Yunhui Guo, Guan-Ming Su

AI总结 本文提出AVReCAP方法，在测试时无需源数据即可提升模型性能，通过动态检索最佳融合层参数减少灾难性遗忘。

Comments ECCV 2026 & ICML 2026 Workshop Continual Adaptation at Scale: Towards Sustainable AI

REGLUE Your Latents with Global and Local Semantics for Entangled Diffusion

利用全局和局部语义重新绑定潜在信息以进行纠缠扩散

Giorgos Petsangourakis, Christos Sgouropoulos, Bill Psomas, Theodoros Giannakopoulos, Giorgos Sfikas, Ioannis Kakogeorgiou

机构 * University of West Attica（西阿提卡大学） ； VRG, FEE, Czech Technical University in Prague（布拉格捷克技术大学） 纠错

AI总结 研究针对潜在扩散模型语义监督不足问题，提出REGLUE框架，联合建模VAE图像潜在信息、局部VFM语义和全局[CLS]令牌，用轻量级卷积语义压缩器聚合特征，经实验验证该框架能提升FID并加速收敛。

Comments ECCV 2026

OmniX: From Unified Panoramic Generation and Perception to Graphics-Ready 3D Scenes

OmniX：从统一全景生成与感知到适用于图形的3D场景

Yukun Huang, Jiwen Yu, Yanning Zhou, Jianan Wang, Xintao Wang, Pengfei Wan, Xihui Liu

机构 * University of Hong Kong（香港大学） ； Kuaishou Technology（快手科技） ； Tencent（腾讯） 纠错

AI总结 研究基于全景的2D提升技术，提出OmniX框架，利用跨模态适配器结构和循环空间算子，将预训练2D流匹配先验用于多模态联合建模，构建数据集，实现适用于图形的3D场景生成，为虚拟世界创建开辟新可能。

Comments ECCV 2026; Project page: https://yukun-huang.github.io/OmniX/

History-Aware Transformation of ReID Features for Multiple Object Tracking

用于多目标跟踪的重识别特征的历史感知变换

Ruopeng Gao, Yuyao Wang, Chunxu Liu, Limin Wang

机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 该研究针对多目标跟踪中ReID特征应用问题，提出历史感知特征变换方法，将轨迹历史特征作上下文，用定制FLD投影特征到特定空间，免训练提升特征判别力，证明特定上下文表示对MOT更优，推动ReID特征定制探索。

Comments Accepted by ECCV 2026. Without bells and whistles, achieving 80.8 HOTA on SportsMOT

EgoExoMoCap: Distributed Ego-Exo Human Motion Capture

EgoExoMoCap：分布式自我-外部人体运动捕捉

Jiaxi Jiang, Bharat Lal Bhatnagar, Nan Yang, Lingni Ma, Sebastian Starke, Robin Kips, Nadine Bertsch, Christian Holz, Federica Bogo

机构 * Meta Reality Labs（元现实实验室） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 针对头戴式设备人体运动捕捉，提出EgoExoMoCap分布式框架，联合自我与外部中心多模态信号，利用头部等跟踪信号及DINOv3特征，能在复杂场景中稳健重建运动，突破了两种范式孤立的局限。

Comments Accepted by ECCV 2026, Project page and code: https://siplab.org/projects/EgoExoMoCap

HybridSim: A Physics-Learning Hybrid Digital Twin for mmWave Human Sensing

HybridSim：用于毫米波人体感知的物理学习混合数字孪生

Weitao Xiong, Tianyu Liu, Peng Li, Kok Chung Chua, Toa Chean Khim, Pu Wang, Hongfei Xue

机构 * Xiamen University Malaysia（厦门大学马来西亚分校） ； The Hong Kong University of Science and Technology（香港科技大学） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） 纠错

AI总结 研究针对毫米波雷达信号模拟成本高问题，提出HybridSim混合模拟器，用三平面和图卷积网络等提取人体特征、稳定优化，通过逆渲染等建模信号路径，实验显示其能有效增强特定地点数据，提升人体感知任务表现。

Comments Accepted to ECCV 2026. Project Page: https://weitao-xiong.github.io/HybridSim/

GoStop: Reinforcement Learning for Adaptive Temporal Aggregation in Event-Based Feature Tracking

GoStop：基于强化学习的事件驱动特征跟踪中的自适应时间聚合

Youngho Kim, Hoonhee Cho, Jae-Young Kang, Kuk-Jin Yoon

机构 * KAIST（韩国科学技术院） 纠错

AI总结 研究基于事件相机的特征跟踪问题，提出用强化学习框架自适应控制事件累积过程，训练智能体依运动线索决策，引入新数据集评估，集成该框架到现有方法可提升性能，在动态运动下更具鲁棒性且平衡跟踪精度与效率。

Comments Accepted to ECCV 2026

CSS-BA: Gate-Guided Column Space Search for Bundle Adjustment

CSS-BA：用于光束法平差的门控列空间搜索

Ayano Kaneda, Takafumi Taketomi, Shugo Yamaguchi, Shigeo Morishima

机构 * Waseda University（早稻田大学） ； CyberAgent, Inc.（株式会社CyberAgent） 纠错

AI总结 针对低视差和近旋转情况下传统BA法病态问题，提出门控引导的CSS-BA，通过结合CSS和几何感知门控稳定舒尔-LM更新，所有参数保留在优化中，仅限制更新方向，实验显示其优化稳定、姿态精度提高且校准有竞争力。

Comments Accepted at ECCV 2026

Trajectory-aware Cross-view Geo-localization with Sequential Observations

基于序列观测的轨迹感知跨视角地理定位

Tianyi Gao, Jiayu Lin, Danielle Beaulieu, Nathan Jacobs

机构 * Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

AI总结 研究跨视角地理定位，提出TrajLoc统一框架处理视频片段和路线描述，利用视觉与语言语义相互强化匹配，还提出TrajMod模块，实验显示该框架在视频和文本地理定位上比现有方法有显著优势。

Comments Accepted to ECCV 2026. Project Page: https://humblegamer.github.io/trajloc/

Reasoning-Guided Part-Level Visual Grounding via Reinforcement Learning

通过强化学习进行推理引导的部件级视觉定位

Kazi Sajeed Mehrab, Hani Alomari, Najibul Haque Sarker, Chia-Wei Tang, Zaber Ibn Abdul Hakim, Anuj Karpatne, Chris Thomas

AI总结 研究部件级视觉定位难题，提出OP - HRG粗到细推理引导定位策略，先定位父物体再定位部件，经自我检查反思结果，引入部件感知GRPO框架训练，训练的4B模型性能优异且可迁移到推理分割。

Comments ECCV 2026

Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding

生成模型了解空间：解锁隐式3D先验用于场景理解

Xianjin Wu, Dingkang Liang, Tianrui Feng, Kui Xia, Yumeng Zhang, Xiaofan Li, Xiao Tan, Xiang Bai

机构 * Huazhong University of Science and Technology（华中科技大学） ； Baidu Inc.（百度公司） 纠错

AI总结 本文提出通过大规模视频生成模型的隐式空间先验提升场景理解，引入VEGA-3D框架，利用预训练视频扩散模型作为潜在世界模拟器，通过时空特征提取与语义融合增强大语言模型的几何信息，实验验证其在3D场景理解、空间推理和具身操控中的优越性。

Comments Accepted by ECCV 2026

Video Streaming Thinking: VideoLLMs Can Watch and Think Simultaneously

视频流思考：VideoLLMs可以同时观看和思考

Yiran Guan, Liang Yin, Dingkang Liang, Jianzhong Ju, Zhenbo Luo, Jian Luan, Yuliang Liu, Xiang Bai

机构 * Huazhong University of Science and Technology（华中科技大学） ； MiLM Plus Xiaomi Inc.（小米公司） 纠错

AI总结 VST提出了一种视频流理解的新范式，通过在流式过程中激活推理，提高实时响应和理解能力，同时在多个基准测试中表现出更高的效率和泛化能力。

Comments Accepted by ECCV 2026, project page https://1ranguan.github.io/VST/

MindDrive: A Vision-Language-Action Model for Autonomous Driving via Online Reinforcement Learning

MindDrive: 一种通过在线强化学习实现自动驾驶的视觉-语言-动作模型

Haoyu Fu, Diankun Zhang, Zongchuang Zhao, Jianfeng Cui, Hongwei Xie, Bing Wang, Guang Chen, Hangjun Ye, Dingkang Liang, Xiang Bai

机构 * Huazhong University of Science and Technology（华中科技大学） ； Xiaomi EV（小米电动车） 纠错

AI总结 MindDrive通过在线强化学习实现自动驾驶中的视觉-语言-动作模型，结合决策专家和动作专家，提升复杂场景下的驾驶决策与探索效率。

Comments Accepted by ECCV 2026; Project Page: https://xiaomi-mlab.github.io/MindDrive/

From Draft to Draft-Free: One-Step Video Object Removal via Privileged Distillation and Fast Planting

从带草稿到无草稿：通过特权蒸馏和快速植入实现一步视频对象移除

Zizhao Chen, Ping Wei, Guang Dai, Jingdong Wang, Mengmeng Wang

机构 * Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所） ； SGIT AI Lab, State Grid Corporation of China（国家电网公司SGIT人工智能实验室） ； Zhejiang University of Technology（浙江工业大学） ； Baidu（百度） 纠错

AI总结 研究视频对象移除问题，提出D2DF框架，通过特权蒸馏和自引导快速植入模块，将教师模型多步细化能力提炼到学生模型，实现一步视频对象移除，在质量和效率上优于传统及多步生成方法。

Comments Accepted by ECCV 2026

TanGO: Training-Free 3D Editing via Tangent-Space Guidance and Optimization

TanGO：通过切线空间引导和优化实现免训练3D编辑

Siwoo Lim, Sunjae Yoon, Gwanhyeong Koo, Hyeonseo Yun, Chang D. Yoo

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Chung-Ang University（中央大学） 纠错

AI总结 研究针对3D生成模型免训练编辑存在语义伪影的问题，提出TanGO框架，通过在切线空间自适应逐令牌引导，制定最优控制规则并确定控制信号强度，减少结构伪影，性能优于现有基线。

Comments ECCV 2026

GeoDetect: Geometric Adversarial Detection for VLPs

GeoDetect：用于视觉语言预训练模型的几何对抗检测

Afsaneh Hasanebrahimi, Hanxun Huang, Christopher Leckie, James Bailey, Sarah Erfani

AI总结 研究视觉语言预训练模型易受对抗攻击问题，基于其嵌入空间几何结构特点，提出GeoDetect方法，利用几何分数识别对抗样本，经综合评估，该方法能可靠检测多种VLP架构及威胁设置下的对抗样本，提升模型安全性与可靠性。

Comments ECCV 2026