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。
REMSA：通过约束感知代理进行遥感基础模型选择
机构 * Humboldt-Universität zu Berlin（柏林洪堡大学） ； U AI（5U AI） ； Technische Universität Berlin & BIFOLD（柏林工业大学 & BIFOLD）
专题命中 视觉问答 ：visual question answering(abstract)；分类 cs.CV、cs.AI
AI总结 提出REMSA，一种基于结构化数据库RS-FMD的约束感知代理，通过自然语言查询自动选择遥感基础模型，结合元数据检索与上下文学习，在专家评估基准中优于多种基线。
Comments Code and data available at https://github.com/be-chen/REMSA
SAGE：面向自由形式问答的大语言模型的搜索增强评估
机构 * Dalhousie University（达尔豪斯大学） ； Emory University（埃默里大学）
专题命中 视觉问答 ：grounding(abstract)；分类 cs.AI
AI总结 提出SAGE框架，通过主动检索和综合外部证据评估LLM输出的事实性，无需固定参考答案，在多个自由问答基准上实现与人类评估的高度一致。
视频推理模型是否已准备好走向户外？
机构 * NTU Singapore（新加坡国立大学） ； Korea University（韩国大学）
专题命中 视觉推理 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ROVA框架，通过时空腐蚀建模提升模型鲁棒性，并引入PVRBench基准测试真实环境扰动下的性能，验证了ROVA在准确性和推理质量上的显著提升。
Comments Project Page: https://robust-video-reason.github.io/, accepted by ECCV 2026
通过语义探索发现视觉提示
机构 * Sony Group Corporation（索尼集团公司） ； Pohang University of Science and Technology（浦项科技大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学）
专题命中 视觉推理 ：visual reasoning(abstract)；分类 cs.CV、cs.AI
AI总结 提出SEVEX算法，通过抽象思想空间和语义反馈自动探索任务级视觉提示，提升LVLM图像感知能力。
Comments Accepted to ECCV 2026, project page: https://jaechang.dev/projects/SEVEX/
RASR：基于检索的语义推理用于虚假新闻视频检测
机构 * School of Informatics, Xiamen University（厦门大学信息学院） ； School of Computer Science and Information Security, Guilin University of Electronic Technology（桂林电子科技大学计算机科学与信息安全学院） ； School of Computer and Big Data, Minjiang University（闽江学院计算机与大数据学院） ； Xiamen University（厦门大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出RASR框架，通过跨实例语义解析器和检索器、领域引导多模态推理模块和多视图特征解耦融合模块，提升虚假新闻视频检测的准确性和跨域泛化能力。
Comments The paper needs revision, and the experiments need to be expanded
M3CoTBench：医学图像理解中多模态大语言模型的思维链基准测试
机构 * Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； East China Normal University（华东师范大学） ； Zhejiang Provincial People’s Hospital（浙江省人民医院） ； National University of Singapore（新加坡国立大学）
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出M3CoTBench基准，通过多层级难度数据集和专用评估指标，系统评测多模态大语言模型在医学图像理解中的思维链推理正确性、效率、影响和一致性。
Comments 39 pages, 8 figures; accepted by ICLR 2026
EgoVITA：学习规划与验证以实现自我中心视频推理
专题命中 视觉推理 ：multimodal large language model(abstract)；分类 cs.CV
AI总结 提出EgoVITA框架，通过先规划自我中心动作序列再以第三方视角验证时空一致性的方法，提升自我中心视频推理的准确性。
Comments ECCV 2026
教模型自学：在可学习性边缘推理
机构 * MIT（麻省理工学院） ； Meta FAIR ； New York University（纽约大学）
专题命中 视觉推理 ：grounding(abstract)；分类 cs.LG
AI总结 提出SOAR非对称自对弈框架，通过元强化学习生成自动课程，解决低初始成功率数据集上的推理模型扩展问题，发现基于学生进步的奖励优于内在可学习性奖励，且问题结构比答案正确性更重要。
Comments ICML 2026. Blog post: https://ssundaram21.github.io/soar/
LLM如何看待创造力：具有可解释推理的视觉创造力零样本评分
机构 * Harvard University（哈佛大学） ； Pennsylvania State University（宾夕法尼亚州立大学）
专题命中 视觉推理 ：multimodal large language model(abstract)
AI总结 研究多模态大模型能否零样本评估视觉创造力，并分析其推理过程的可解释性。实验表明模型评分与人类高度一致，但推理并未提升评分准确性。
Comments 21 pages, 9 figures
LWDrive: 基于逐层世界模型的视觉-语言模型自动驾驶规划
机构 * Chongqing University（重庆大学）
专题命中 视觉定位与Grounding ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出LWDrive框架，通过逐层世界模型引导，将VLM输出的粗轨迹逐步细化为几何精确、多视角感知的规划轨迹，在NAVSIM基准上取得92.0分。
基于语义采样的医学图像空间定位
机构 * Case Western Reserve University（凯斯西储大学） ； Cleveland Clinic（克利夫兰诊所）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；VLM(abstract,abstract_cn)；vision language model(abstract)；分类 cs.CV、cs.LG
AI总结 研究视觉语言模型在医学图像三维空间定位中的挑战，提出MIS-Ground基准和MIS-SemSam优化方法，通过语义采样提升定位精度13.06%。
Comments 10 pages, 2 figures. Accepted at MICCAI 2026
T-QPM：面向开放世界视觉语言模型的时间分布外检测与域泛化
机构 * San Diego State University（圣地亚哥州立大学）
专题命中 视觉定位与Grounding ：vision-language model(title,abstract)；VLM(abstract_cn)；分类 cs.CV、cs.LG
AI总结 提出T-QPM框架，通过时间四元模式匹配和轻量级融合权重学习，增强视觉语言模型在动态环境下的分布外检测和协变量偏移鲁棒性。
AirZoo: 一种用于地面几何3D视觉的统一大规模数据集
机构 * National University of Defense Technology（国防科技大学） ； Singapore University of Technology and Design（新加坡科技设计大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 本文提出AirZoo数据集，通过可扩展生成流程、全面场景多样性和丰富的几何标注，解决无人机感知中复杂视角变换和环境条件的挑战，验证其在三维重建和图像检索中的有效性。
Comments ECCV 2026. Project page: https://nudt-sawlab.github.io/AirZoo/
RGBT-GroundBench: 超越RGB的复杂真实世界场景中的视觉定位
机构 * Institute of Artificial Intelligence, State Key Laboratory of Virtual Reality Technology and Systems, Beihang University（北京航空航天大学人工智能研究院、虚拟现实技术与系统国家重点实验室） ； Pengcheng Laboratory（鹏城实验室） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 提出首个大规模RGB-热红外视觉定位基准RGBT-GroundBench，包含4万+图像和3级细粒度标注，统一评估协议支持RGB/热红外/融合输入，揭示低照度下性能显著下降，并引入参考基线RGBT-VGNet。
Comments 40pages, 9figures
非结构化度假租赁图像集合中的房间场景发现与分组
机构 * Expedia Group（Expedia集团）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.LG
AI总结 针对度假租赁平台图片缺乏结构化分类的问题，提出一种低延迟、样本高效的机器学习流水线，通过监督式房间类型检测、重叠检测和聚类算法实现房间分组，并利用多模态大语言模型识别床型，显著优于对比学习和预训练嵌入聚类方法。
Comments Presented at the Two-sided Marketplace Optimization Workshop, KDD 2025
TotalFM：利用大规模常规临床放射学数据的器官分离3D-CT基础模型
机构 * Department of Radiology, Jichi Medical University（放射科，自治医科大学） ； Data Science Center, Jichi Medical University（数据科学中心，自治医科大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV
AI总结 提出TotalFM，一种基于器官分离的3D-CT放射学基础模型，通过自动化生成器官体积与发现句子对，结合VideoMAE自监督预训练和对比学习，在零样本器官级和发现级病变分类任务中优于现有模型。
知识图谱：基于LLM的工业资产运营中缺失的数据层
机构 * VaidhyaMegha Private Limited, India（印度VaidhyaMegha私人有限公司）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 研究通过类型化知识图谱作为数据层，将GPT-4在工业维护场景中的准确率从65%提升至99%，并引入生成增强知识（GAK）处理缺失数据，实现81.8%的场景可回答性。
Comments v4: Accepted at Agents+Graph (AG2026) @ VLDB 2026. Corrects claims to reproduced ground truth: base graph 9 labels/5 edge types/12,647 nodes (extended schema 14/21); GAK materializes 106 failure-mode nodes; FailureSensorIQ noted as a separate IBM benchmark; 467 FMSR overlap with GAK disclosed. 20 pages, 4 figures. Code: github.com/samyama-ai/assetops-kg
事件驱动视频生成
机构 * William & Mary（威廉与玛丽学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.LG
AI总结 提出事件驱动视频生成（EVD），通过轻量级头部预测令牌级事件活动，并利用事件门控采样在交互区域集中更新，以修正对象交互错误，提升状态持久性、空间准确性和接触稳定性。
Comments Accepted to ECCV 2026. Project webpage: https://evd-project-website.pages.dev
线性时态回答集编程的元编程
机构 * University of Potsdam, Germany（波恩大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出一种统一的元编程框架，通过扩展clingo的理论语法并引入转换管道保护嵌套模态，实现了对多种线性时态逻辑（TEL、MEL、DEL）的语义操作化，并开发了metasp系统。
StreamGVE: 无需训练的视频编辑通过少步流式视频生成
机构 * The University of British Columbia（不列颠哥伦比亚大学） ； ETH Zürich（苏黎世联邦理工学院） ； McMaster University（麦马斯特大学） ； Vector Institute（向量研究所） ； Canada CIFAR AI Chair（加拿大 CIFAR 人工智能主席）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出StreamGVE，一种基于噪声到数据视角的视频编辑方法，通过引入双分支快速采样和自注意力桥接以及交叉注意力接地/增强，实现了高效的视频编辑，能够在少步设置中优于现有方法。
Comments ECCV 2026. Project Page: https://dsl-lab.github.io/StreamEdit/
DetPO：基于多模态大语言模型的上下文学习用于少样本目标检测
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Roboflow
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 提出DetPO，一种无需梯度的测试时优化方法，通过最大化少样本视觉训练示例上的检测精度并校准预测置信度，优化文本提示，提升多模态大语言模型在少样本目标检测中的性能。
Comments This work has been accepted to the European Conference on Computer Vision (ECCV) 2026. Project Page: https://ggare-cmu.github.io/DetPO/
Paper2Rebuttal: 一种透明的作者回复辅助多智能体框架
机构 * AutoLab, School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院AutoLab）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 提出多智能体框架RebuttalAgent，将回复生成重构为以证据为中心的规划任务，通过分解反馈、构建混合上下文和外部搜索模块，提升覆盖度、忠实性和策略连贯性。
Comments Accepted by ACL2026 main conference
PA-VAD: 基于扩散的伪异常视频异常检测通过域对齐记忆更新
机构 * KDDI Research, Inc.（KDDI研究所）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 提出PA-VAD框架，仅用真实正常视频和扩散合成伪异常视频训练检测器，通过域对齐正则化模块（DARM）消除伪异常特征偏差，在多个基准上超越使用真实异常视频的方法。
Comments Accepted to ECCV 2026
MAGE：模态无关的音乐生成与编辑
机构 * Google（谷歌） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 MAGE提出了一种模态无关框架，统一了多模态音乐生成与混合编辑，通过可控多模态FluxFormer和音频视觉 nexus 对齐机制，实现灵活且高效的音乐生成与编辑。
LightOnOCR: 一个用于最先进OCR的10亿参数端到端多语言视觉语言模型
机构 * LightOn
专题命中 文档图表理解 ：vision-language model(title)；分类 cs.CV
AI总结 提出1B参数的端到端多语言视觉语言模型LightOnOCR-2，通过大规模高质量蒸馏训练，在OlmOCR-Bench上达到最先进结果，模型大小仅为先前最佳模型的1/9，速度更快，并扩展了输出格式以预测嵌入图像的归一化边界框。
GUI-AIMA: 对齐内在多模态注意力与上下文锚点以实现GUI定位
机构 * University at Buffalo（布法罗大学） ； Adobe Research（Adobe研究院）
专题命中 GUI与屏幕智能体 ：grounding(title,abstract)；MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 GUI-AIMA通过多模态注意力对齐与上下文锚点，实现高效的GUI定位，无需坐标生成，提升数据效率和性能。
GUIDE：通过实时网络视频检索和即插即用标注解决GUI代理的领域偏见
机构 * Shanghai Jiao Tong University（上海交通大学） ； State Key Laboratory for General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，北京通用人工智能研究院） ； Beijing Institute of Technology（北京理工大学）
专题命中 GUI与屏幕智能体 ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 GUIDE通过实时网络视频检索和即插即用标注框架，解决GUI代理的领域偏见问题，通过视频语义分析和自动化标注流程提升代理对特定应用的操作流程和UI布局的理解，实验表明其在多代理系统和单模型代理中均能提升性能。
Comments Accepted to ECCV 2026. 30 pages: 15-page main paper followed by supplementary material as an appendix (Sections A-F). Project page: https://sharryXR.github.io/GUIDE/
文本到图像模型强化学习后训练的有限差分流优化
机构 * UC Berkeley（加州大学伯克利分校） ； NVIDIA（英伟达）
专题命中 GUI与屏幕智能体 ：vision language model(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 提出一种在线强化学习变体，通过采样配对轨迹并将流速度拉向更优图像方向来降低模型更新方差，将整个采样过程视为单一动作，实现更快的收敛和更高的输出质量与提示对齐。
Comments Code available at https://github.com/NVlabs/finite-difference-flow-optimization
基于用户隐私偏好的机器人导航视觉感知设计
专题命中 GUI与屏幕智能体 ：grounding(abstract)
AI总结 本文提出以用户为中心的隐私保护视觉感知设计方法，通过用户研究发现用户偏好隐私保护的视觉抽象和低分辨率保存机制，并据此制定可配置的隐私政策。
更清晰的视野，更少的谎言：面向多模态幻觉缓解的定向拾取偏好优化
机构 * HKUST (GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； OPPO AI Center（OPPO AI中心）
专题命中 幻觉与鲁棒性 ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV
AI总结 提出一种证据感知的对齐目标OPPO，通过对比不同视觉证据强度下的相同忠实响应，将视觉偏好转化为有序视觉证据对齐，以缓解多模态大模型的幻觉问题。
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