The Perceptual Observatory Characterizing Robustness and Grounding in MLLMs
感知观测站：多模态大语言模型的鲁棒性与基础性表征
机构 * Arizona State University（亚利桑那州立大学）
AI总结 感知观测站通过系统性扰动和真实数据集，评估多模态大语言模型在视觉基础性和关系结构上的鲁棒性，揭示其在扰动下的表现，为模型分析提供系统基础。
Comments Accepted at WACV 2026
期刊&会议
WACV
Winter Conference on Applications of Computer Vision · 会议 · Computer Vision
GateFusion: Hierarchical Gated Cross-Modal Fusion for Active Speaker Detection
GateFusion：用于活动说话检测的分层门控跨模态融合
机构 * Indiana University（印第安纳大学）
AI总结 GateFusion通过分层门控融合解码器提升活动说话检测的跨模态融合效果，实现新的SOTA结果。
Comments accepted by WACV 2026
IMKD: Intensity-Aware Multi-Level Knowledge Distillation for Camera-Radar Fusion
IMKD：基于多级知识蒸馏的强度感知相机-雷达融合
机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
AI总结 IMKD通过多级知识蒸馏提升雷达-相机融合性能，实现67.0% NDS和61.0% mAP的高精度检测
Comments Accepted at IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026. 22 pages, 8 figures. Includes supplementary material
Evaluating the Capability of Video Question Generation for Expert Knowledge Elicitation
评估视频问题生成在专家知识获取中的能力
机构 * OMRON SINIC X Corp.（OMRON SINIC X公司） ； Hokkaido University（北海道大学）
AI总结 本文提出了一种评估视频问题生成能力的新协议，通过模拟专家问答交流来评估问题质量，利用新构建的EgoExoAsk数据集验证了模型在获取未见知识方面的有效性。
Comments WACV 2026 accepted
Where is the Watermark? Interpretable Watermark Detection at the Block Level
水印在哪里？基于块级的可解释水印检测
机构 * University of Melbourne（墨尔本大学）
AI总结 本文提出一种基于块级的可解释水印检测方法，通过局部嵌入与区域可解释性结合，在保持鲁棒性的同时提供更清晰的检测结果。
Comments 20 pages, 14 figures. Camera-ready for WACV 2026
Cascaded Dual Vision Transformer for Accurate Facial Landmark Detection
级联双视觉变换器用于精确面部 landmark 检测
机构 * Zhejiang University（浙江大学） ； Institute for Intelligent Computing（智能计算研究院） ； Alibaba Group（阿里巴巴集团）
AI总结 本文提出级联双视觉变换器，通过通道分割和长跳连接提升面部 landmark 检测精度，优于现有最佳方法。
Comments Accepted by WACV 2025. The code can be found at https://github.com/Human3DAIGC/AccurateFacialLandmarkDetection . Supplementary material is included at the end of the main paper (3 pages, 5 figures, 2 tables)
QUOTA: Quantifying Objects with Text-to-Image Models for Any Domain
QUOTA: 通过文本到图像模型对任意领域的对象进行量化
机构 * University of Amsterdam（阿姆斯特丹大学） ； Cisco Research（思科研究） ； Westlake University（西湖大学）
AI总结 QUOTA通过双循环元学习策略，实现无需重新训练即可在任意领域中高效量化对象数量。
Comments Accepted by WACV 2026
SCAdapter: Content-Style Disentanglement for Diffusion Style Transfer
SCAdapter: 内容-风格解耦用于扩散风格迁移
机构 * LY Corporation（LY公司）
AI总结 SCAdapter通过CLIP图像空间实现内容与风格的解耦，提升扩散模型在逼真图像迁移中的效果和效率。
Comments Accepted to WACV 2026
Patch-wise Retrieval: A Bag of Practical Techniques for Instance-level Matching
基于补丁的检索：实例级匹配的实用技术集合
机构 * POSTECH ； KAIST（韩国科学技术院） ； Samsung Research（三星研究所）
AI总结 Patchify通过基于补丁的检索框架实现高效实例级匹配，结合LocScore评估空间正确性，提升检索性能与可解释性。
Comments WACV 2026
GrowTAS: Progressive Expansion from Small to Large Subnets for Efficient ViT Architecture Search
GrowTAS: 从小到大逐步扩展子网络以实现高效的ViT架构搜索
机构 * Yonsei University（延世大学）
AI总结 GrowTAS通过逐步扩展子网络，提高ViT架构搜索的效率和稳定性。
Comments Accepted to WACV 2026
CLARGA: Multimodal Graph Representation Learning over Arbitrary Sets of Modalities
CLARGA：任意模态集合上的多模态图表示学习
机构 * Santosh Patapati（独立研究者）
AI总结 CLARGA是一种通用的多模态融合架构，通过构建注意力加权图实现多模态表示学习，适用于任意模态集合，具有高效的融合能力和良好的鲁棒性。
Comments WACV; Supplementary material is available on CVF proceedings
mmWEAVER: Environment-Specific mmWave Signal Synthesis from a Photo and Activity Description
mmWEAVER: 从照片和活动描述合成环境特定的毫米波信号
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 mmWeaver通过隐式神经表示和超网络，高效生成环境特定的毫米波信号，提升活动识别和姿态估计性能。
Comments Accepted at the IEEE/CVF Winter Conference on Applications of Computer Vision 2026 (WACV 2026)
DiffRegCD: Integrated Registration and Change Detection with Diffusion Features
DiffRegCD：集成注册与变化检测的扩散特征
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 DiffRegCD通过结合扩散特征与分类任务，实现统一的注册与变化检测，提升在复杂场景下的鲁棒性和精度。
Comments 10 pages, 6 figures. Accepted to WACV 2026
Referring Change Detection in Remote Sensing Imagery
遥感图像中的指称变化检测
机构 * Johns Hopkins University（约翰霍普金斯大学） ； DEVCOM U.S. Army Research Laboratory（美国陆军研究实验室）
AI总结 本文提出指称变化检测方法，通过自然语言提示实现遥感图像中特定类别的变化检测，并引入两阶段框架提升数据生成效率。
Comments 2026 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV)
SmokeBench: Evaluating Multimodal Large Language Models for Wildfire Smoke Detection
SmokeBench: 评估多模态大语言模型用于野火烟雾检测
机构 * Australian National University（澳大利亚国立大学）
AI总结 SmokeBench评估多模态大语言模型在野火烟雾检测中的性能，发现模型在烟雾定位方面存在显著局限，尤其在早期阶段。
Comments Accepted to WACV 2026
VADER: Towards Causal Video Anomaly Understanding with Relation-Aware Large Language Models
VADER：基于关系感知大型语言模型的因果视频异常理解
机构 * National Tsing Hua University（清华大学） ； NVIDIA
AI总结 VADER通过整合关系感知的大型语言模型与视频关键帧特征，提升视频异常的因果理解与解释能力。
Comments Accepted to WACV 2026. Project page available at: https://vader-vau.github.io/
Conditional Text-to-Image Generation with Reference Guidance
基于参考引导的条件文本到图像生成
机构 * Purdue University（普渡大学） ； AMD ； Microsoft（微软）
AI总结 本文提出基于参考引导的条件文本到图像生成方法，通过专家插件提升模型在文本拼写和多语言生成等任务上的表现。
Comments WACV 2026
GaussianHeadTalk: Wobble-Free 3D Talking Heads with Audio Driven Gaussian Splatting
GaussianHeadTalk: 无抖动的3D说话头：基于音频驱动的高斯点云法
机构 * University of Edinburgh（爱丁堡大学） ； University College London（伦敦大学学院）
AI总结 本文提出基于音频驱动的3D说话头生成方法，利用高斯点云法和Transformer模型实现高保真、实时的虚拟角色生成。
Comments IEEE/CVF Winter Conference on Applications of Computer Vision 2026
Point2Pose: A Generative Framework for 3D Human Pose Estimation with Multi-View Point Cloud Dataset
Point2Pose：基于多视角点云数据集的3D人体姿态估计生成框架
机构 * ECE, Seoul National University（首尔国立大学电子与计算机工程系） ； CS, KAIST（韩国科学技术院计算机科学系） ； Soulart Inc.（Soulart公司）
AI总结 Point2Pose通过生成模型和大规模数据集提升3D人体姿态估计的准确性与鲁棒性。
Comments WACV 2026 camera ready
Perception-Inspired Color Space Design for Photo White Balance Editing
受感知启发的色彩空间设计用于照片白平衡编辑
机构 * Shanghai Jiao Tong University（上海交通大学） ； The University of Tokyo（东京大学） ； Tohoku University（东北大学）
AI总结 本文提出了一种基于受感知启发的可学习HSI色彩空间的白平衡校正框架，以解决传统加色模型在复杂光照条件下的局限性。
Comments Accepted to WACV 2026
SAVE: Sparse Autoencoder-Driven Visual Information Enhancement for Mitigating Object Hallucination
SAVE：基于稀疏自编码器的视觉信息增强用于缓解物体幻觉
机构 * Department of Electrical and Computer Engineering, Seoul National University（电子与计算机工程系，首尔国立大学） ； Daegu Gyeongbuk Institute of Science and Technology（大邱庆州科学技术院） ； IPAI, AIIS, ASRI, INMC, and ISRC, Seoul National University（IPAI、AIIS、ASRI、INMC 和 ISRC，首尔国立大学）
AI总结 SAVE通过引导模型沿稀疏自编码器潜在特征减少物体幻觉，提升视觉理解能力。
Comments WACV 2026
Guiding What Not to Generate: Automated Negative Prompting for Text-Image Alignment
引导不应生成的内容：用于文本-图像对齐的自动化负提示
机构 * Department of Electrical and Computer Engineering, Seoul National University（电子与计算机工程系，首尔国立大学） ； Amazon（亚马逊） ； IPAI, AIIS, ASRI, INMC, and ISRC, Seoul National University（IPAI、AIIS、ASRI、INMC 和 ISRC，首尔国立大学）
AI总结 本文提出NPC方法，通过自动化负提示生成提升文本-图像对齐效果，在GenEval++和Imagine-Bench上取得优异成绩。
Comments WACV 2026
AFRAgent : An Adaptive Feature Renormalization Based High Resolution Aware GUI agent
AFRAgent：一种基于自适应特征归一化的高分辨率感知GUI代理
机构 * Media and Data Science Research, Adobe（Adobe媒体与数据科学研究所）
AI总结 AFRAgent通过自适应特征归一化技术，在保持高分辨率细节的同时，实现了更高效的GUI自动化性能，比现有模型小四分之一。
Comments Accepted at WACV 2026 Conference
Exploring Automated Recognition of Instructional Activity and Discourse from Multimodal Classroom Data
探索多模态课堂数据中教学活动和话语的自动化识别
AI总结 本文通过多模态分析方法，实现了课堂活动中教学活动和话语的自动化识别，展示了微调模型在视频和 transcripts 上的高准确率，为可扩展的教师反馈系统提供了基础。
Comments This article has been accepted for publication in the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2026
CAPE: A CLIP-Aware Pointing Ensemble of Complementary Heatmap Cues for Embodied Reference Understanding
CAPE：一种基于CLIP的互补热图线索点集用于具身参照理解
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Istanbul Technical University（伊斯坦布尔技术大学） ； Carnegie Mellon University（卡内基梅隆大学） ； KIT Campus Transfer GmbH (KCT)（KIT校园转移有限责任公司）
AI总结 CAPE通过双模型框架和CLIP-aware Pointing Ensemble模块，提升具身参照理解任务中指向线索的多模态推理能力，实现75.0 mAP的高精度表现。
Comments Accepted by WACV 2026
Dressing the Imagination: A Dataset for AI-Powered Translation of Text into Fashion Outfits and A Novel NeRA Adapter for Enhanced Feature Adaptation
为想象力着装：一个用于人工智能驱动的文本到时尚装扮的数据库及一种新的NeRA适配器用于增强特征适应
机构 * IIT Madras（印度理工学院Madras分校） ； Delhi Technological University（德里技术大学） ； IIT BHU（印度理工学院BHU分校） ； IIT Roorkee（印度理工学院Roorkee分校）
AI总结 FLORA数据集和NeRA适配器旨在提升人工智能生成时尚设计的精度与风格丰富度。
Comments Accepted as a Conference Paper at WACV 2026 (USA)
Hierarchical Instance Tracking to Balance Privacy Preservation with Accessible Information
层级实例跟踪以平衡隐私保护与可获取信息
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of Washington（华盛顿大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 本文提出层级实例跟踪任务，构建首个支持该任务的基准数据集，通过评估多种模型展示数据集的挑战性，旨在平衡隐私保护与信息可获取性。
Comments Accepted at WACV 2026
From Detection to Anticipation: Online Understanding of Struggles across Various Tasks and Activities
从检测到预判：跨多种任务和活动的在线理解挣扎
机构 * University of Bristol（布里斯托大学） ； Amazon（亚马逊）
AI总结 本文提出了一种在线检测和预判挣扎的方法，通过改进模型实现跨任务和活动的实时应用，提升辅助系统的响应能力。
Comments Accepted by WACV 2026
FastPose-ViT: A Vision Transformer for Real-Time Spacecraft Pose Estimation
FastPose-ViT：一种用于实时航天器姿态估计的视觉Transformer
机构 * EPFL（瑞士联邦理工学院） ； Swiss Data Science Center（瑞士数据科学中心）
AI总结 FastPose-ViT提出了一种基于视觉Transformer的实时航天器姿态估计方法，通过直接回归6DoF姿态，实现了高效且高精度的姿态估计。
Comments Accepted to WACV 2026. Preprint version
Food Image Generation on Multi-Noun Categories
多名词类别的食物图像生成
机构 * Purdue University（普渡大学） ； University of Waterloo（滑铁卢大学）
AI总结 本文提出FoCULR方法，通过整合食品领域知识和早期引入核心概念，解决多名词类别食物图像生成中的语义误解和布局错误问题。
Comments Accepted by WACV 2026
