视觉大模型 / VLM

A-MAR: Agent-based Multimodal Art Retrieval for Fine-Grained Artwork Understanding

A-MAR：基于代理的多模态艺术检索用于细粒度艺术作品理解

Shuai Wang, Hongyi Zhu, Jia-Hong Huang, Yixian Shen, Chengxi Zeng, Stevan Rudinac, Monika Kackovic, Nachoem Wijnberg, Marcel Worring

机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Bristol（布里斯托大学） ； Amazon AGI（亚马逊人工智慧） ； College of Business and Economics（商学院和经济学学院） ； University of Johannesburg（约翰内斯堡大学） 纠错

专题命中 视觉定位与Grounding ：grounding(summary_cn,abstract)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI

AI总结 本文提出A-MAR框架，通过结构化推理计划显式指导多模态艺术检索，提升解释质量和证据 grounding 能力，在艺术领域验证了代理式多模态推理的有效性。

Journal ref ICMR 2026, ACM International Conference on Multimedia Retrieval

AD-Copilot: A Vision-Language Assistant for Industrial Anomaly Detection via Visual In-context Comparison

AD-Copilot：通过视觉上下文比较实现工业异常检测的视觉-语言助手

Xi Jiang, Yue Guo, Jian Li, Yong Liu, Bin-Bin Gao, Hanqiu Deng, Jun Liu, Heng Zhao, Chengjie Wang, Feng Zheng

机构 * Department of Computer Science and Engineering, Southern University of Science and Technology（计算机科学与工程系，南方科技大学） ； Macau University of Science and Technology（澳门科技大学） ； Tencent YouTu Lab（腾讯YouTu实验室） ； Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Centre for Frontier AI Research, A*STAR（前沿人工智能研究中心，A*STAR） 纠错

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

AI总结 AD-Copilot通过视觉上下文比较提升工业异常检测性能，采用新颖的数据筛选流程和比较编码器，在多个基准测试中取得优异成绩，超越人类专家水平。

Comments Code and models are released at https://github.com/jam-cc/AD-Copilot

Autonomous Skeletal Landmark Localization towards Agentic C-Arm Control

自主骨骼标志点定位以实现智能C臂控制

Jay Jung, Ahmad Arrabi, Jax Luo, Scott Raymond, Safwan Wshah

机构 * University of Vermont（佛蒙特大学） ； Cleveland Clinic（克利夫兰诊所） 纠错

专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV

AI总结 本文研究了利用多模态大语言模型实现C臂控制中骨骼标志点的自主定位，通过实验验证了其在准确性和推理能力上的优势，为智能C臂控制提供了新方法。

Comments Accepted at IJCARS: IPCAI 2026. Int J CARS (2026)

ViDoRe V3: A Comprehensive Evaluation of Retrieval Augmented Generation in Complex Real-World Scenarios

ViDoRe V3：对复杂现实场景中检索增强生成的综合评估

António Loison, Quentin Macé, Antoine Edy, Victor Xing, Tom Balough, Gabriel Moreira, Bo Liu, Manuel Faysse, Céline Hudelot, Gautier Viaud

机构 * Illuin Technology（Illuin技术公司） ； NVIDIA ； CentraleSupélec, Paris-Saclay（巴黎萨克雷中央理工学院） 纠错

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

AI总结 ViDoRe V3是一个多模态检索增强生成基准，涵盖10个专业领域数据集，通过12000小时人工标注评估先进RAG管道，发现视觉检索优于文本检索，晚期交互模型和文本重排序显著提升性能，但模型在非文本元素、开放性查询和细粒度视觉定位上仍有不足。

SAVOIR: Learning Social Savoir-Faire via Shapley-based Reward Attribution

SAVOIR：通过基于Shapley的奖励归因学习社交能力

Xiachong Feng, Yi Jiang, Xiaocheng Feng, Deyi Yin, Libo Qin, Yangfan Ye, Lei Huang, Weitao Ma, Yuxuan Gu, Chonghan Qin, Bing Qin, Lingpeng Kong

机构 * The University of Hong Kong（香港大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） 纠错

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

AI总结 本文提出SAVOIR框架，基于合作博弈理论解决语言代理训练中的信用分配问题，通过预期效用转移和Shapley值实现公平奖励分配，实验显示其在SOTOPIA基准上达到新状态-of-the-art性能。

Comments ACL 2026 Findings

Align then Refine: Text-Guided 3D Prostate Lesion Segmentation

对齐后再细化：基于文本的3D前列腺病变分割

Cuiling Sun, Linkai Peng, Adam Murphy, Elif Keles, Hiten D. Patel, Ashley Ross, Frank Miller, Baris Turkbey, Andrea Mia Bejar, Halil Ertugrul Aktas, Gorkem Durak, Ulas Bagci

机构 * Department of Radiology, Northwestern University, Chicago, USA（放射科，西北大学，芝加哥，美国） ； Department of Urology, Northwestern University, Chicago, USA（泌尿科，西北大学，芝加哥，美国） ； Center for Cancer Research, National Cancer Institute, Bethesda, USA（癌症研究中心，国家癌症研究所，贝塞斯达，美国） 纠错

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

AI总结 本文提出一种多编码器U-Net架构，通过引入对齐损失、热图损失和置信度门控多头交叉注意力细化模块，提升前列腺病变分割的精度和多模态融合能力。

Comments Accepted to EMBC 2026

Weakly-Supervised Referring Video Object Segmentation through Text Supervision

通过文本监督实现弱监督的指称视频对象分割

Miaojing Shi, Jun Huang, Zijie Yue, Hanli Wang

机构 * College of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院） 纠错

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

AI总结 本文提出WSRVOS方法，通过文本表达训练模型，利用对比学习生成正负表达，实现细粒度多模态对齐，并引入实例感知分类和伪掩码融合策略，提升视频对象分割性能。

Comments Accepted by CVPR 2026 Findings

Memory Over Maps: 3D Object Localization Without Reconstruction

记忆超越映射：无需重建的3D物体定位

Rui Zhou, Xander Yap, Jianwen Cao, Allison Lau, Boyang Sun, Marc Pollefeys

机构 * University of Zurich（苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软） 纠错

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

AI总结 本文提出无需重建的3D物体定位方法，通过轻量级视觉记忆实现快速场景索引，显著降低预处理成本，验证了基于图像的场景记忆可替代密集3D重建。

Comments 8 pages, 6 figures

Bridging Semantics and Geometry: A Decoupled LVLM-SAM Framework for Reasoning Segmentation in Optical Remote Sensing

弥合语义与几何：一种解耦的LVLM-SAM框架用于光学遥感中的推理分割

Xu Zhang, Junyao Ge, Yang Zheng, Kaitai Guo, Jimin Liang

机构 * School of Electronic Engineering, Xidian University, Xi'an, Shaanxi 710071, China（西安电子科技大学电子工程学院） 纠错

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

AI总结 本文提出解耦的LVLM-SAM框架，通过结构化几何提示优化，提升光学遥感中推理分割的性能，实现语义与几何的结合。

Qwen3.5-Omni Technical Report

Qwen3.5-Omni 技术报告

Qwen Team

机构 * Qwen Team（通义实验室） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 Qwen3.5-Omni在多模态能力上取得突破，支持256k上下文长度和多语言理解，通过混合注意力MoE架构实现高效推理，并引入ARIA提升语音合成稳定性。