视觉大模型 / VLM

QLIP: A Dynamic Quadtree Vision Prior Enhances MLLM Performance Without Retraining

QLIP：一种动态四叉树视觉先验增强MLLM性能无需重新训练

Kyle R. Chickering, Bangzheng Li, Muhao Chen

专题命中 视觉问答 ：MLLM(title,abstract)；vision language model(abstract)；LLaVA(abstract)；visual question answering(abstract)

AI总结 QLIP通过动态四叉树视觉先验提升MLLM的粗粒度和细粒度视觉理解能力，无需重新训练，实验显示在LLaVA v1.5系列模型上提升视觉问答准确率，且在V-star基准测试中提升细节理解性能达13.6%。

Comments Accepted as ICLR 2026 poster. 22 pages, 19 figures

Gastric-X: A Multimodal Multi-Phase Benchmark Dataset for Advancing Vision-Language Models in Gastric Cancer Analysis

Gastric-X：一种多模态多阶段基准数据集，用于推进胃癌分析中的视觉-语言模型

Sheng Lu, Hao Chen, Rui Yin, Juyan Ba, Yu Zhang, Yuanzhe Li

机构 * Ruijin Hospital（瑞金医院） ； University of Cambridge（剑桥大学） ； Nanjing First Hospital（南京市第一医院） ； Shenzhen University（深圳大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视觉问答 ：vision-language model(title,abstract)；VLM(abstract)；visual question answering(abstract)；分类 cs.CV、cs.AI

AI总结 Gastric-X通过1700例胃癌病例数据，评估视觉-语言模型在胃癌诊断中的多阶段任务能力，推动医疗领域VLM发展。

Comments Computer Vision and Pattern Recognition 2026

Photon: Speedup Volume Understanding with Efficient Multimodal Large Language Models

Photon：通过高效多模态大语言模型加速体积理解

Chengyu Fang, Heng Guo, Zheng Jiang, Chunming He, Xiu Li, Minfeng Xu

机构 * Tsinghua University（清华大学） ； DAMO Academy, Alibaba Group（阿里巴巴集团达摩院） ； Hupan Lab（湖畔实验室） ； Duke University（杜克大学） 纠错

专题命中 视觉问答 ：multimodal large language model(title,abstract)；visual question answering(abstract)；分类 cs.CV、cs.AI

AI总结 Photon通过高效多模态大语言模型实现3D医学影像的体积理解，采用自适应令牌调度和梯度传播技术降低计算成本，提升模型可靠性与效率。

Comments Accepted by ICLR 2026

Structure Causal Models and LLMs Integration in Medical Visual Question Answering

结构因果模型与大语言模型在医学视觉问答中的整合

Zibo Xu, Qiang Li, Weizhi Nie, Weijie Wang, Anan Liu

机构 * School of Microelectronics, Tianjin University（天津大学微电子学院） ； School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院） ； Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系） 纠错

专题命中 视觉问答 ：visual question answering(title,abstract)；分类 cs.CV

AI总结 本文提出一种因果推理框架，通过消除图像与问题间的混杂效应，提升医学视觉问答的准确性，并引入因果图结构和多变量重采样方法以增强模型对复杂医疗数据的理解能力。

Comments Accepted by IEEE TMI 2025

Diagnose, Correct, and Learn from Manipulation Failures via Visual Symbols

通过视觉符号诊断、纠正并学习操纵失败

Xianchao Zeng, Xinyu Zhou, Youcheng Li, Jiayou Shi, Tianle Li, Liangming Chen, Lei Ren, Yong-Lu Li

机构 * Beihang University（北京航空航天大学） ； Shanghai Innovation Institute（上海创新研究院） ； Southern University of Science and Technology（南方科技大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 视觉问答 ：vision-language model(abstract)；VLM(abstract)；visual question answering(abstract)；分类 cs.CV

AI总结 本文提出ViFailback框架，通过视觉符号提升标注效率，并释放大规模数据集和基准测试，验证了框架在故障诊断和纠正中的有效性。

Comments Accepted by CVPR 2026. Project Website: https://x1nyuzhou.github.io/vifailback.github.io/

The LLM Bottleneck: Why Open-Source Vision LLMs Struggle with Hierarchical Visual Recognition

大语言模型的瓶颈：为何开源视觉大语言模型在层级视觉识别上遇到困难

Yuwen Tan, Yuan Qing, Boqing Gong

机构 * Boston University（波士顿大学） 纠错

专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV、cs.AI、cs.LG

AI总结 本文指出开源大语言模型缺乏对视觉世界的层级知识，导致视觉大语言模型在识别如水母鱼但无法识别脊椎动物时存在瓶颈，通过构建六种分类学和四个图像数据集的百万级多项选择视觉问答任务验证了这一问题。

Comments Accepted to CVPR 2026. Project page and code: https://yuanqing-ai.github.io/llm-hierarchy/

LLM4AD: Large Language Models for Autonomous Driving -- Concept, Review, Benchmark, Experiments, and Future Trends

LLM4AD：大型语言模型在自动驾驶中的应用——概念、综述、基准测试、实验与未来趋势

Can Cui, Yunsheng Ma, Sung-Yeon Park, Zichong Yang, Yupeng Zhou, Peiran Liu, Juanwu Lu, Juntong Peng, Jiaru Zhang, Ruqi Zhang, Lingxi Li, Yaobin Chen, Jitesh H. Panchal, Amr Abdelraouf, Rohit Gupta, Kyungtae Han, Ziran Wang

机构 * Purdue University（普渡大学） ； Institute for Physical Artificial Intelligence (IPAI), Purdue University（普渡大学物理人工智能研究所） ； Department of Computer Science, Purdue University（普渡大学计算机科学系） ； InfoTech Labs, Toyota Motor North America（丰田北美信息技术实验室） 纠错

专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.AI

AI总结 本文探讨了将大型语言模型应用于自动驾驶的潜力，提出LLM4AD概念，构建了评估框架，并通过实验和未来趋势分析揭示了挑战与发展方向。

Comments The paper was accepted by the Proceedings of the IEEE

HiSpatial: Taming Hierarchical 3D Spatial Understanding in Vision-Language Models

HiSpatial：在视觉-语言模型中驯服层次化3D空间理解

Huizhi Liang, Yichao Shen, Yu Deng, Sicheng Xu, Zhiyuan Feng, Tong Zhang, Yaobo Liang, Jiaolong Yang

机构 * Tsinghua University（清华大学） ； Microsoft Research Asia（微软亚洲研究院） ； Xi’an Jiaotong University（西安交通大学） ； University of the Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；VLM(abstract)；分类 cs.CV

AI总结 本文提出一种层次化框架，通过分解VLM中3D空间理解的学习过程，从几何感知到抽象空间推理，生成多样化任务和场景的3D空间VQA对，提升视觉-语言模型的空间理解能力。

Comments Accepted by CVPR 2026. Project page: https://microsoft.github.io/HiSpatial

How Far Are Vision-Language Models from Constructing the Real World? A Benchmark for Physical Generative Reasoning

视觉-语言模型距离构建现实世界还有多远？一个物理生成推理的基准测试

Luyu Yang, Yutong Dai, An Yan, Viraj Prabhu, Ran Xu, Zeyuan Chen

机构 * Salesforce AI Research（Salesforce 人工智能研究院） 纠错

专题命中 视觉推理 ：vision-language model(title,abstract)；分类 cs.CV、cs.AI

AI总结 本文提出DreamHouse基准测试，评估视觉-语言模型在物理生成推理能力上的不足，通过住宅木构架建造领域验证模型在结构、施工可行性等约束下的生成能力。

Sparse Visual Thought Circuits in Vision-Language Models

视觉语言模型中的稀疏视觉思维电路

Yunpeng Zhou

专题命中 视觉推理 ：vision-language model(title)；VLM(abstract)；分类 cs.AI

AI总结 研究探讨了稀疏自编码器特征在推理中的模块化假设，发现干预任务选择性特征集能小幅提升推理准确率，但联合干预则导致预测漂移和精度下降，揭示了SAE特征组合的边界。

SPR-128K: A New Benchmark for Spatial Plausibility Reasoning with Multimodal Large Language Models

SPR-128K：一种多模态大语言模型空间合理性推理的新基准

Zhiyuan Hu, Zheng Sun, Yi Wei, Long Yu

机构 * Tsinghua University（清华大学） ； Alibaba Health Information Technology Limited（阿里巴巴健康信息技术有限公司） 纠错

专题命中 视觉推理 ：multimodal large language model(title,abstract)；分类 cs.CV

AI总结 本文提出SPR-128K数据集及DPA-GRPO方法，解决图像筛选中多模态大语言模型空间推理能力不足的问题，实验表明小型模型在该任务上优于主流模型。

Graph-of-Mark: Promote Spatial Reasoning in Multimodal Language Models with Graph-Based Visual Prompting

图标记：通过基于图的视觉提示提升多模态语言模型的空间推理能力

Giacomo Frisoni, Lorenzo Molfetta, Mattia Buzzoni, Gianluca Moro

机构 * University of Bologna（博洛尼亚大学） 纠错

专题命中 视觉推理 ：visual question answering(abstract)；grounding(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出Graph-of-Mark，一种基于图的视觉提示方法，通过在输入图像上叠加场景图来增强多模态语言模型的空间推理能力，实验表明其在视觉问答和定位任务中提升了11个百分点的准确率。

Comments Please cite the definitive, copyrighted, and peer-reviewed version of this article published in AAAI 2026, edited by Sven Koenig et al., AAAI Press, Vol. 40, No. 36, Technical Track, pp. 30726-30734, 2026. DOI: https://doi.org/10.1609/aaai.v40i36.40329

Can MLLMs Read Students' Minds? Unpacking Multimodal Error Analysis in Handwritten Math

能够理解学生的思维吗？解析手写数学中的多模态错误分析

Dingjie Song, Tianlong Xu, Yi-Fan Zhang, Hang Li, Zhiling Yan, Xing Fan, Haoyang Li, Lichao Sun, Qingsong Wen

机构 * Lehigh University（里海大学） ； Squirrel Ai Learning（松鼠AI学习） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Michigan State University（密歇根州立大学） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出ScratchMath基准测试，用于解释和分类学生手写数学草稿中的错误，评估16种MLLMs显示其在视觉识别和逻辑推理方面存在显著差距，专有模型表现更优。

Comments Accepted by the 27th International Conference on Artificial Intelligence in Education (AIED'26)

Mario: Multimodal Graph Reasoning with Large Language Models

Mario：基于大语言模型的多模态图推理

Yuanfu Sun, Kang Li, Pengkang Guo, Jiajin Liu, Qiaoyu Tan

机构 * New York University Shanghai（上海纽约大学） ； New York University（纽约大学） ； Tsinghua University（清华大学） ； EPFL（瑞士联邦理工学院洛桑） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV

AI总结 Mario通过多模态图推理框架解决跨模态一致性与异构模态偏好问题，实现对多模态图的有效推理，优于现有图模型。

Comments CVPR 2026

Bridging Perception and Reasoning: Token Reweighting for RLVR in Multimodal LLMs

弥合感知与推理：用于多模态大语言模型中RLVR的标记重加权

Jinda Lu, Junkang Wu, Jinghan Li, Kexin Huang, Shuo Yang, Guoyin Wang, Jiancan Wu, Xiang Wang, Xiangnan He

机构 * University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； Independent Researcher（独立研究员） 纠错

专题命中 视觉推理 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV

AI总结 本文提出Token-Reweighting策略，通过动态重加权多模态大语言模型中的感知与推理标记，提升RLVR性能，实现视觉 grounding 和推理的协同优化。

Interpretable Zero-shot Referring Expression Comprehension with Query-driven Scene Graphs

可解释的零样本指代表达理解与查询驱动的场景图

Yike Wu, Necva Bolucu, Stephen Wan, Dadong Wang, Jiahao Xia, Jian Zhang

机构 * Faculty of Engineering and IT, University of Technology Sydney（悉尼科技大学工程与信息技术学院） ； Data61, Commonwealth Scientific and Industrial Research Organisation（澳大利亚联邦科学与工业研究组织 Data61） 纠错

专题命中 视觉推理 ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV

AI总结 本文提出SGREC方法，通过查询驱动的场景图作为结构化中介，结合视觉语言模型和大语言模型，实现可解释的零样本指代表达理解，在多个基准测试中取得优异成绩。

Comments Accepted by T-MM

NeuroVLM-Bench: Evaluation of Vision-Enabled Large Language Models for Clinical Reasoning in Neurological Disorders

NeuroVLM-Bench：评估用于神经系统疾病临床推理的视觉增强大语言模型

Katarina Trojachanec Dineva, Stefan Andonov, Ilinka Ivanoska, Ivan Kitanovski, Sasho Gramatikov, Tamara Kostova, Monika Simjanoska Misheva, Kostadin Mishev

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG

AI总结 本文评估了视觉增强大语言模型在神经疾病临床推理中的性能，通过多模态模型在MRI和CT数据集上进行基准测试，发现影像属性基本解决，但诊断推理仍具挑战性。

Comments 53 pages, 12 figures. Manuscript submitted to the BMC Medical Informatics and Decision Making journal

Pixelis: Reasoning in Pixels, from Seeing to Acting

Pixelis：在像素中推理，从看见到行动

Yunpeng Zhou

机构 * University of Reading（雷丁大学） 纠错

专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI

AI总结 Pixelis通过在像素空间中直接操作图像和视频，结合执行操作和学习后果，提升视觉智能的通用性和物理基础，实现基于行动的多模态感知。

Comments 28pages, 16figures, 18tables

GeoHeight-Bench: Towards Height-Aware Multimodal Reasoning in Remote Sensing

GeoHeight-Bench：迈向遥感中基于高度的多模态推理

Xuran Hu, Zhitong Xiong, Zhongcheng Hong, Yifang Ban, Xiaoxiang Zhu, Wufan Zhao

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Technical University of Munich（慕尼黑工业大学） 纠错

专题命中 视觉推理 ：VLM(abstract)；分类 cs.CV

AI总结 本文提出GeoHeight-Bench，通过构建高度感知的遥感理解评估框架，解决现有多模态模型在复杂遥感几何和灾害场景中忽略垂直维度的问题，提出数据生成管道和基准测试，并验证高度感知的重要性。

Comments 18 pages, 4 figures

Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection

基于概率概念图推理的多模态虚假信息检测

Ruichao Yang, Wei Gao, Xiaobin Zhu, Jing Ma, Hongzhan Lin, Ziyang Luo, Bo-Wen Zhang, Xu-Cheng Yin

机构 * University of Science and Technology Beijing（北京科技大学） ； Singapore Management University（新加坡管理大学） ； Hong Kong Baptist University（香港浸会大学） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV

AI总结 本文提出PCGR框架，通过构建概念图进行多模态虚假信息检测，实现可解释且可进化的方法，提升检测准确性和抗新兴操纵能力。

Comments Accepted by CVPR 2026

From What to Why: A Multi-Agent System for Evidence-based Chemical Reaction Condition Reasoning

从何到为何：一个用于基于证据的化学反应条件推理的多智能体系统

Cheng Yang, Jiaxuan Lu, Haiyuan Wan, Junchi Yu, Feiwei Qin

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； University of Oxford（牛津大学） 纠错

专题命中 视觉推理 ：grounding(abstract)；分类 cs.AI

AI总结 本文提出ChemMAS多智能体系统，通过机制 grounding、多通道回忆、约束感知辩论和理由聚合，提升化学反应条件推荐的可解释性，实验表明其在准确率和可解释性上优于现有方法。

Comments Accepted by ICLR 2026

CompBench: Benchmarking Complex Instruction-guided Image Editing

CompBench：复杂指令引导图像编辑的基准测试

Bohan Jia, Wenxuan Huang, Yuntian Tang, Junbo Qiao, Jincheng Liao, Shaosheng Cao, Fei Zhao, Zhaopeng Feng, Zhouhong Gu, Zhenfei Yin, Lei Bai, Wanli Ouyang, Lin Chen, Fei Zhao, Yao Hu, Zihan Wang, Yuan Xie, Shaohui Lin

机构 * East China Normal University（华东师范大学） ； Xiaohongshu Inc.（小红书） ； KLATASDS, MOE, China（中国教育部统计与数据科学重点实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； University of Oxford（牛津大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanjing University（南京大学） 纠错

专题命中 视觉推理 ：MLLM(abstract)；分类 cs.CV

AI总结 CompBench旨在解决现有图像编辑基准测试对任务复杂度简化的问题，通过引入复杂指令引导的图像编辑基准，评估模型在精细操控能力上的表现。

THEMIS: Towards Holistic Evaluation of MLLMs for Scientific Paper Fraud Forensics

THEMIS：迈向多模态大语言模型在科学论文欺诈取证中的全面评估

Tzu-Yen Ma, Bo Zhang, Zichen Tang, Junpeng Ding, Haolin Tian, Yuanze Li, Zhuodi Hao, Zixin Ding, Zirui Wang, Xinyu Yu, Shiyao Peng, Yizhuo Zhao, Ruomeng Jiang, Yiling Huang, Peizhi Zhao, Jiayuan Chen, Weisheng Tan, Haocheng Gao, Yang Liu, Jiacheng Liu, Zhongjun Yang, Jiayu Huang, Haihong E

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV

AI总结 THEMIS通过真实场景和复杂图像评估多模态大语言模型在学术欺诈推理中的能力，引入了五种欺诈类型和16种细粒度操作，揭示模型在不同核心能力上的优劣。

Comments Accepted to ICLR 2026

TrustGeoGen: Formal-Verified Data Engine for Trustworthy Multi-modal Geometric Problem Solving

TrustGeoGen: 用于可信多模态几何问题求解的正式验证数据引擎

Daocheng Fu, Jianlong Chen, Renqiu Xia, Zijun Chen, Qi Liu, Yuan Feng, Hongbin Zhou, Renrui Zhang, Shiyang Feng, Peng Gao, Hongyuan Zha, Junchi Yan, Botian Shi, Yu Qiao, Bo Zhang

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） 纠错

专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.AI

AI总结 本文提出TrustGeoGen，通过正式验证生成多模态几何数据，提升模型深度几何推理能力，在GeoQA等基准测试中取得显著成效。

TimeLens: Rethinking Video Temporal Grounding with Multimodal LLMs

TimeLens：重新思考视频时间接地与多模态大语言模型

Jun Zhang, Teng Wang, Yuying Ge, Yixiao Ge, Xinhao Li, Ying Shan, Limin Wang

机构 * Nanjing University（南京大学） ； ARC Lab, Tencent PCG（腾讯PCG ARC实验室） ； Shanghai AI Lab（上海人工智能实验室） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出TimeLens，通过数据质量和算法设计两个维度系统研究多模态大语言模型的视频时间接地能力，构建高质量数据集并提出有效训练方法，实现开源模型在视频时间接地任务上的领先性能。

Comments CVPR 2026. Website: https://timelens-arc-lab.github.io/

Activation Matters: Test-time Activated Negative Labels for OOD Detection with Vision-Language Models

激活至关重要：基于视觉语言模型的测试时激活负标签用于分布外检测

Yabin Zhang, Maya Varma, Yunhe Gao, Jean-Benoit Delbrouck, Jiaming Liu, Chong Wang, Curtis Langlotz

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Stanford University（斯坦福大学） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title)；VLM(abstract,comments)；分类 cs.CV、cs.AI、cs.LG

AI总结 本文提出测试时激活负标签（TANL）方法，通过动态评估激活水平和测试批次内的激活信息，提升分布外检测的性能和鲁棒性，实验表明其在ImageNet基准上显著降低FPR95。

Comments CVPR 2026 main track, Codes are available at https://github.com/YBZh/OpenOOD-VLM

Humans vs Vision-Language Models: A Unified Measure of Narrative Coherence

人类与视觉-语言模型：叙事连贯性的一种统一衡量方法

Nikolai Ilinykh, Hyewon Jang, Shalom Lappin, Asad Sayeed, Sharid Loáiciga

机构 * University of Gothenburg（哥德堡大学） ； Queen Mary University of London（伦敦玛丽女王大学） 纠错

专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；grounding(abstract)

AI总结 研究通过比较人类写作与视觉语言模型生成的叙事，评估视觉基础故事中的叙事连贯性，发现模型在连贯性方面与人类存在系统性差异。

Comments 9 pages of content, 1 page of appendices, 9 tables, 3 figures

OptiSAR-Net++: A Large-Scale Benchmark and Transformer-Free Framework for Cross-Domain Remote Sensing Visual Grounding

OptiSAR-Net++：跨领域遥感视觉定位的大型基准和无Transformer框架

Xiaoyu Tang, Jun Dong, Jintao Cheng, Rui Fan

机构 * South China Normal University（华南师范大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Tongji University（同济大学） ； Shanghai Research Institute for Intelligent Autonomous Systems（上海自主智能无人系统科学中心） ； State Key Laboratory of Intelligent Autonomous Systems（智能自主系统国家重点实验室） ； Frontiers Science Center for Intelligent Autonomous Systems（智能自主系统前沿科学中心） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV

AI总结 本文提出OptiSAR-Net++，通过构建首个跨领域遥感视觉定位基准数据集，解决跨领域特征建模、计算效率和细粒度语义区分问题，提升定位精度与效率。

KitchenTwin: Semantically and Geometrically Grounded 3D Kitchen Digital Twins

KitchenTwin: 基于语义和几何的3D厨房数字孪生

Quanyun Wu, Kyle Gao, Daniel Long, David A. Clausi, Jonathan Li, Yuhao Chen

机构 * University of Waterloo（滑铁卢大学） 纠错

专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract)；grounding(abstract)；分类 cs.CV

AI总结 本文提出一种基于语义和几何的3D厨房数字孪生框架，通过融合视觉引导的对象网格与Transformer预测的全局点云，实现几何一致的数字孪生构建。

From Scale to Speed: Adaptive Test-Time Scaling for Image Editing

从尺度到速度：面向图像编辑的自适应测试时间缩放

Xiangyan Qu, Zhenlong Yuan, Jing Tang, Rui Chen, Datao Tang, Meng Yu, Lei Sun, Yancheng Bai, Xiangxiang Chu, Gaopeng Gou, Gang Xiong, Yujun Cai

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； 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） ； AMAP, Alibaba Group（阿里巴巴集团高德地图） ； University of Queensland（昆士兰大学） 纠错

专题命中 视觉定位与Grounding ：MLLM(abstract)；分类 cs.CV、cs.AI、cs.LG

AI总结 本文提出ADE-CoT框架，通过动态资源分配、编辑特定验证和深度优先停止策略，提升图像编辑效率与性能，实验显示在同等采样预算下性能优于现有方法。

Comments Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026