AI 大模型
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
RECIPE: 通过指令视频中的 grounding 实现过程规划
机构 * Khoury College of Computer Sciences, Northeastern University, Boston（东北大学北斯托顿学院计算机科学学院） ； Department of Mathematics and Computer Science, University of Catania, Italy（卡塔尼亚大学数学与计算机科学系）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；VLM(abstract,abstract_cn)；分类 cs.CV
AI总结 该研究提出RECIPE方法，通过利用指令视频中的grounding信息来改进过程规划任务，通过利用预计算的文本嵌入实现大规模视频数据的验证，从而提升规划的准确性和鲁棒性。
EgoBabyVLM：基于自然主义第一人称视频数据的跨模态学习基准测试
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Stanford University（斯坦福大学） ； Meta Reality Labs（Meta现实实验室） ； The University of Tokyo（东京大学）
专题命中 视觉定位与Grounding ：grounding(summary_cn,abstract)；VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 研究探讨了儿童如何从有限的视觉-语言输入中获得语言 grounding 的鲁棒性，提出了 EgoBabyVLM 挑战，推动模型在自然主义数据中实现 grounded language learning。
缓解大扩散视觉-语言模型中的遮蔽先验漂移和位置注意力崩溃
机构 * Department of Artificial Intelligence, Yonsei University, Seoul, Republic of Korea（首尔大学人工智能系）
专题命中 视觉定位与Grounding ：grounding(summary_cn,abstract)；vision-language model(title,abstract)；分类 cs.CV
AI总结 本文研究了大扩散视觉-语言模型在长形式生成中的重复生成和视觉 grounding 退化问题，提出了一种无需训练的解决方案来缓解遮蔽先验漂移和位置注意力崩溃。
基于概念的噪声负样本抑制用于零样本分类和胸片发现的 grounding
机构 * The Center for Smart Health, School of Nursing, the Hong Kong Polytechnic University, Hong Kong, China（香港理工大学智能健康中心，护理学院，中国香港） ； Research Institute for Smart Ageing, the Hong Kong Polytechnic University, Hong Kong, China（香港理工大学智能老龄化研究 institute，中国香港） ； School of Biomedical Engineering, Tsinghua Medicine, Tsinghua University, Beijing, China（清华大学生物医学工程学院，清华大学，北京，中国） ； Queen Mary Hospital, LKS Faculty of Medicine, The University of Hong Kong, Hong Kong, China（香港大学李嘉诚医学院Queen Mary医院，中国香港）
专题命中 视觉定位与Grounding ：grounding(title,title_cn)；分类 cs.CV、cs.AI、cs.LG
AI总结 本文提出了一种基于概念的噪声负样本抑制框架CoNNS，通过构建层次化概念本体，解决不同患者间相似发现导致的噪声负样本问题，提升零样本理解任务的性能。
Comments Early accepted by MICCAI 2026
桥梁上的基础模型：基于视觉-语言模型的语义危险检测与安全操作用于海上自主性
机构 * Dept. of Mechanical and Industrial Engineering, NTNU（机械与工业工程系，挪威科技大学） ； Dept. of Aeronautics and Astronautics, Stanford University（航空航天工程系，斯坦福大学） ； Dept. of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； NVIDIA Research（NVIDIA研究）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出了一种基于视觉-语言模型的语义危险检测与安全操作方法，用于满足IMO草案MASS代码对海上自主船舶的要求，通过快速-慢速异常管道和短时间范围的人类可覆盖回退操作来实现，在40个港口场景中验证了该方法的性能。
Comments 17 pages without bibliography or appendix. The main paper has 16 figures. Paper webpage can be found at https://kimachristensen.github.io/bridge_policy/
Journal ref Ocean Engineering 359, Part 3 (2026), Article 124646
在情绪树中导航：用于多模态情绪识别的分层双曲RAG
机构 * Great Bay University（广东东莞大亚湾大学） ； Tencent Youtu Lab（腾讯优图实验室）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出HyperEmo-RAG，一种利用结构化情绪知识库的检索增强生成框架，通过双曲空间嵌入和证据图构建来提升多模态情绪识别的性能。
超越航点：双热图接地用于跨具身语义导航
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； JD AI Research（京东人工智能研究院）
专题命中 视觉定位与Grounding ：grounding(title,abstract)
AI总结 本文提出一种统一的视觉-语言框架，通过双热图表示替代单点回归，以解决语义指令与物理可达性之间的差距，从而提升跨具身语义导航的鲁棒性和性能。
用于开放即兴分割的视觉引导代理
机构 * University of Michigan（密歇根大学）
专题命中 视觉定位与Grounding ：VLM(abstract,abstract_cn)；grounding(abstract)；分类 cs.CV
AI总结 本文提出了一种名为VASA的视觉引导即兴分割代理，该代理通过结合视觉语言模型、分割基础模型和视觉引导工作流，实现了无需训练的即兴分割任务，其在PARS和RefCOCO等基准测试中均表现出色。
Comments 23 pages, 11 figures
FreeOrbit4D: 通过前景完整4D重建实现免训练的任意相机重定向
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Eyeline Labs（Eyeline实验室）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出FreeOrbit4D，一种无需训练的框架，通过恢复完整的前景4D代理来解决大角度重定向中的几何模糊问题，从而生成更真实且时间一致的视频。
Comments 12 pages, 10 figures. Accepted to SIGGRAPH Conference Papers 2026
面向相机鲁棒的3D定位：基于方程的工具使用用于MLLMs
机构 * Nanyang Technological University（南洋理工大学） ； DAMO Academy, Alibaba Group（阿里集团大模型研究院） ； HuPan Lab（虎派实验室） ； Alibaba Group（阿里集团）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出了一种基于方程的工具使用框架，通过将空间工具作为公式变量重新利用，以解决多模态大语言模型（MLLMs）中3D定位的相机固有模糊问题，从而在3D物体检测和3D视觉定位任务中取得了显著提升。
无需基于分类的错误归类即可改进检索增强生成
机构 * Columbia University（哥伦比亚大学） ； Weill Cornell Medicine（韦尔·科恩医学中心）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出RePAIR方法，通过直接将错误的RAG输出映射到错误缓解行动计划，无需依赖细粒度错误分类和显式批评者监督，从而提升检索增强生成的性能。
超越二元成功：一种用于细粒度操控的诊断元评估框架
机构 * Southeast University（东南大学） ； Monash University（墨尔本大学） ； Xiaomi EV（小米电动车） ； University of Copenhagen（哥本哈根大学） ； Peking University（北京大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出MetaFine框架，通过分解理解、感知和受控行为三个维度，诊断细粒度操控中的能力瓶颈，并通过因果干预识别视觉编码器在保持局部空间结构方面的关键限制，从而提升操控精度。
Comments Project page: https://metafine.github.io/
VGGT-Edit：基于残差场预测的前馈原生3D场景编辑
机构 * Peking University（北京大学） ； Tencent（腾讯） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai AI Lab（上海人工智能实验室） ； NTU Singapore（新加坡国立大学） ； Zhongguancun Academy（中关村学院） ； Beijing Key Lab of Data Intel. & Security (PKU)（北京数据智能与安全实验室（北京大学））
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出VGGT-Edit，一种基于文本条件的前馈原生3D场景编辑框架，通过引入深度同步文本注入和残差变换头，实现高质量的3D场景编辑，同时构建DeltaScene数据集以提升编辑效果和推理速度。
SetCon: 通过集级概念预测实现开放式的指称分割
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学）
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SetCon，通过集级概念预测实现开放式的指称分割，利用LVLM生成的自然语言概念作为语义条件进行联合掩码-集解码，提高了分割的完整性和互斥性。
基于空间提示的视觉轨迹预测用于目视操控
机构 * Michigan State University（密歇根州立大学） ； NVIDIA Research（英伟达研究）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出了一种新的视觉轨迹预测方法SP-VTP，通过空间提示定义任务目标，结合任务编码器、观察编码器和轨迹生成器，提升了跨场景的目视操控轨迹预测性能。
最后的人写论文：代理原研究制品
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 该研究提出了一种名为Agent-Native Research Artifact (ARA)的协议，旨在解决传统科学论文在压缩研究过程为线性叙述时所导致的结构性缺陷，通过引入可执行的研究包结构，提升AI代理理解和扩展已发表工作的能力。
Comments 46 pages, 15 figures, 14 tables
基础的裂缝：一个挑战视觉基础模型的民用基础设施数据集
机构 * IBM Research（IBM研究院） ； ETH Zürich（苏黎世联邦理工学院） ； University of Twente（特文特大学）
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Cracks in the Foundation数据集，通过高分辨率图像挑战视觉基础模型在民用基础设施中的密集图像理解能力，揭示了现有模型在真实世界中的局限性。
SAMe：一种用于机器人超声的语义解剖映射引擎
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Hubei Center for Applied Mathematics, Wuhan University（湖北应用数学中心，武汉大学） ； Department of Ultrasound, The Central Hospital of Wuhan（武汉市中心医院超声科） ； Department of Medical Ultrasound, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology（同济医院，同济医学院，华中科技大学医学影像科） ； Department of Ultrasound in Medicine, Renmin Hospital of Wuhan University（武汉大学仁医医院医学超声科） ； University Hospital, Johann-Wolfgang-Goethe University Frankfurt am Main（法兰克福歌德大学医学院大学医院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 该研究提出SAMe，一种语义解剖映射引擎，通过提供显式的解剖先验层，解决机器人超声扫描初始化问题，实现了基于临床症状的解剖目标识别和控制指令生成，提高了自动扫描的准确性和效率。
Comments Supplementary information included. Code will be released at https://github.com/MiliLab/Echo-SAMe
XNote: 对基于图像的上下文欺骗的自动社区笔记生成进行基准测试
机构 * School of Computing, Clemson University（克莱姆森大学计算机学院）
专题命中 视觉定位与Grounding ：vision language model(abstract)
AI总结 本文研究了基于图像的上下文欺骗的自动社区笔记生成任务，提出了一个真实世界数据集XNote，并对前沿大视觉语言模型和商业工具进行了基准测试，以评估其在欺骗检测和笔记生成任务中的性能。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈