视觉大模型 / VLM

DUALVISION: RGB-Infrared Multimodal Large Language Models for Robust Visual Reasoning

DUALVISION：用于鲁棒视觉推理的RGB-红外多模态大语言模型

Abrar Majeedi, Zhiyuan Ruan, Ziyi Zhao, Hongcheng Wang, Jianglin Lu, Yin Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Amazon（亚马逊） ； Northeastern University（东北大学） 纠错

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

AI总结 本文提出DUALVISION，通过局部化交叉注意力融合IR-RGB信息，提升多模态大语言模型在视觉退化条件下的性能，并引入DV-204K和DV-500数据集进行评估。

Comments Accepted at CVPR Findings 2026

Visual Reasoning Agent: Robust Vision Systems in Remote Sensing via Inference-Time Scaling

视觉推理代理：通过推理时缩放实现遥感中的稳健视觉系统

Chung-En Johnny Yu, Brian Jalaian, Nathaniel D. Bastian

机构 * University of West Florida（西弗吉尼亚大学） ； United States Military Academy（美国军事学院） 纠错

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

AI总结 本文提出视觉推理代理（VRA），通过迭代的Think-Critique-Act循环，结合预训练的大规模视觉-语言模型和推理模型，提升遥感任务中的视觉推理能力，实现在挑战性问题上的40.67%提升。

Comments Accepted to MORS 2026 Artificial Intelligence Workshop Proceedings

EgoMotion: Hierarchical Reasoning and Diffusion for Egocentric Vision-Language Motion Generation

视角运动：层次推理与扩散用于中心视觉-语言运动生成

Ruibing Hou, Mingyue Zhou, Yuwei Gui, Mingshuang Luo, Bingpeng Ma, Hong Chang, Shiguang Shan, Xilin Chen

机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology (ICT), Chinese Academy of Sciences (CAS)（智能信息处理重点实验室，计算技术研究所（ICT），中国科学院（CAS）） ； Jilin University (JLU)（吉林大学（JLU）） ； Beijing University of Posts and Telecommunications (BUPT)（北京邮电大学（BUPT）） ； University of the Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 本文提出EgoMotion框架，通过层次推理和扩散模型生成基于第一视角视觉和语言指令的3D人类运动，解决语义推理与运动建模的协同优化问题，提升多模态接地和运动质量。

Comments 12 pages, 3 figures

Multi-modal Reasoning with LLMs for Visual Semantic Arithmetic

基于LLM的多模态推理用于视觉语义算术

Chuou Xu, Liya Ji, Qifeng Chen

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

AI总结 本文提出两种新型任务和IRPD数据集，通过SAri-RFT方法提升大视觉语言模型的跨模态关系推理能力，实现视觉语义算术的突破。

Visual-TableQA: Open-Domain Benchmark for Reasoning over Table Images

视觉-表格问答：面向表格图像推理的开放领域基准

Boammani Aser Lompo, Marc Haraoui

机构 * École de Technologie Supérieure（埃克塞技术学院） 纠错

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

AI总结 本文提出Visual-TableQA，一个大规模开放领域多模态数据集，用于评估和提升视觉推理能力，包含2500个LaTeX渲染表格和6000对推理密集型问答对，通过多模型协作生成，验证了模型在外部基准上的鲁棒性。

Comments Accepted at the First Workshop on Foundations of Reasoning in Language Models, NeurIPS 2025. Available at: https://openreview.net/forum?id=fvJRsGwhPf

From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents

从逐字到概要：基于语义信息瓶颈的金字塔多模态记忆压缩用于长视界视频智能体

Niu Lian, Yuting Wang, Hanshu Yao, Jinpeng Wang, Bin Chen, Yaowei Wang, Min Zhang, Shu-Tao Xia

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） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区） ； Peng Cheng Laboratory（鹏城实验室） 纠错

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

AI总结 本文提出MM-Mem架构，通过金字塔多模态记忆压缩，结合语义信息瓶颈目标，实现长视界视频理解中的高效记忆组织与任务相关信息保留。

Comments Accepted by ACL 2026 Main. 17 pages, 7 figures, 8 tables. TL;DR: We propose MM-Mem, a cognition-inspired, dual-trace hierarchical memory framework for long-horizon video understanding grounded in Fuzzy-Trace Theory. It features adaptive memory compression via the Information Bottleneck and employs an entropy-driven top-down retrieval to access fine-grained details only when necessary

PuzzleWorld: A Benchmark for Multimodal, Open-Ended Reasoning in Puzzlehunts

PuzzleWorld: 一个用于谜题 hunt 中多模态、开放式推理的基准

Hengzhi Li, Justin Zhang, Brendon Jiang, Alexander Naehu, Regan Song, Megan Tjandrasuwita, Chanakya Ekbote, Steven-Shine Chen, Adithya Balachandran, Wei Dai, Rebecca Chang, Paul Pu Liang

机构 * MIT Media Lab and MIT EECS（MIT媒体实验室和MIT电子工程与计算机科学系） 纠错

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

AI总结 PuzzleWorld 是一个包含667个谜题 hunt 风格问题的基准，用于评估逐步、开放式和创造性多模态推理。每个谜题都标注了最终答案、详细推理轨迹和认知技能标签，揭示了当前模型在推理中的局限性。

Explore Like Humans: Autonomous Exploration with Online SG-Memo Construction for Embodied Agents

像人类一样探索：面向具身智能体的在线SG-Memo构建自主探索

Xu Chen, Shichao Xie, Zhining Gu, Lu Jia, Minghua Luo, Fei Liu, Zedong Chu, Yanfen Shen, Xiaolong Wu, Mu Xu

机构 * Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出ABot-Explorer框架，通过在线RGB-only过程统一记忆构建与探索，利用VLMs提取语义导航 affordances，生成结构化SG-Memo以提升探索效率和环境覆盖。

Bridging Foundation Models and ASTM Metallurgical Standards for Automated Grain Size Estimation from Microscopy Images

弥合基础模型与ASTM冶金标准以实现显微图像中的晶粒尺寸自动估计

Abdul Mueez, Shruti Vyas

机构 * University of Central Florida（中央佛罗里达大学） 纠错

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

AI总结 本文提出一种结合Cellpose-SAM和ASTM E112 Jeffries平面模块的自动化管道，用于显微图像中的密集实例分割和晶粒尺寸估计，通过拓扑感知梯度追踪和适应性提示生成，实现高精度的冶金评估。

Comments Accepted at the 11th IEEE Workshop on Computer Vision for Multimodal Microscopy Image Analysis (CVMI), CVPR Workshops 2026

Characterizing AlphaEarth Embedding Geometry for Agentic Environmental Reasoning

表征AlphaEarth嵌入几何用于代理环境推理

Mashrekur Rahman, Samuel J. Barrett, Christina Last

机构 * Dartmouth Libraries（达特茅斯图书馆） ； Dartmouth College（达特茅斯学院） 纠错

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

AI总结 本文研究AlphaEarth嵌入几何结构，开发代理系统用于环境推理，发现其非欧几里得特性及检索优于线性方法。