视觉大模型 / VLM

Interpretable Logical Anomaly Classification via Constraint Decomposition and Instruction Fine-Tuning

通过约束分解和指令微调实现可解释的逻辑异常分类

Xufei Zhang, Xinjiao Zhou, Ziling Deng, Dongdong Geng, Jianxiong Wang

机构 * Beijing XingYun Digital Technology Co., Ltd.（北京星云数字技术有限公司） 纠错

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

AI总结 LogiCls通过约束分解和指令微调实现工业逻辑异常的可解释分类，结合视觉-语言框架和数据驱动的监督方法，提升异常检测的准确性和可解释性。

Comments 6 pages, 6 figures

TRACE: Temporal Radiology with Anatomical Change Explanation for Grounded X-ray Report Generation

TRACE: 基于解剖变化解释的时序放射学用于 grounded X-ray 报告生成

OFM Riaz Rahman Aranya, Kevin Desai

机构 * The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） 纠错

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

AI总结 TRACE 是首个结合时序比较、变化分类和空间定位的模型，通过边界框坐标实现对胸片变化的自然语言描述，提升放射学报告生成的准确性与可靠性。

SAIL-RL: Guiding MLLMs in When and How to Think via Dual-Reward RL Tuning

SAIL-RL: 通过双奖励强化学习调优引导MLLM在何时以及如何思考

Fangxun Shu, Yongjie Ye, Yue Liao, Zijian Kang, Weijie Yin, Jiacong Wang, Xiao Liang, Shuicheng Yan, Chao Feng

机构 * National University of Singapore（新加坡国立大学） 纠错

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

AI总结 SAIL-RL通过双奖励强化学习调优，提升多模态大语言模型的推理能力和可靠性。

OpenWorldSAM: Extending SAM2 for Universal Image Segmentation with Language Prompts

OpenWorldSAM: 通过语言提示扩展SAM2实现通用图像分割

Shiting Xiao, Rishabh Kabra, Yuhang Li, Donghyun Lee, Joao Carreira, Priyadarshini Panda

机构 * Yale University（耶鲁大学） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 OpenWorldSAM通过整合轻量级视觉-语言模型，扩展SAM2实现开放词汇图像分割，具备高效、实例意识和强泛化能力。

Explainable Deepfake Detection with RL Enhanced Self-Blended Images

可解释的深度伪造检测与强化学习增强的自混合图像

Ning Jiang, Dingheng Zeng, Yanhong Liu, Haiyang Yi, Shijie Yu, Minghe Weng, Haifeng Shen, Ying Li

机构 * 1School of Software \& Microelectronics, Peking University, Beijing, China 2Mashang Consumer Finance Co., Ltd., Chongqing, China -0.15in 纠错

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

AI总结 本文提出了一种基于强化学习增强的自混合图像方法，用于可解释的深度伪造检测，通过自动化数据生成和定制奖励机制提升检测性能。

Comments Accepted at ICASSP 2026

MMP-A*: Multimodal Perception Enhanced Incremental Heuristic Search on Path Planning

MMP-A*：多模态感知增强的路径规划增量启发式搜索

Minh Hieu Ha, Khanh Ly Ta, Hung Phan, Tung Doan, Tung Dao, Dao Tran, Huynh Thi Thanh Binh

机构 * Hanoi University of Science and Technology（河内科学技术大学） ； Vingroup Big Data Research Center（VinGroup大数据研究中心） ； FPT Software AI Center（FPT软件AI中心） 纠错

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

AI总结 MMP-A*通过融合视觉语言模型的空间感知与自适应衰减机制，提升路径规划的几何精度与计算效率。

V-CAGE: Context-Aware Generation and Verification for Scalable Long-Horizon Embodied Tasks

V-CAGE：面向可扩展长时间跨度具身任务的上下文感知生成与验证

Yaru Liu, Ao-bo Wang, Nanyang Ye

机构 * Department of Computer Science and Technology, University of Cambridge, Cambridge, England.（计算机科学与技术系，剑桥大学，剑桥，英格兰） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学，上海，中国） ； Wuhan University, Wuhan, Hubei, China（武汉大学，武汉，湖北，中国） 纠错

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

AI总结 V-CAGE通过上下文感知生成与验证框架，提升大规模具身任务数据集的物理和语义保真度，提高下游策略性能。

Large-Scale Label Quality Assessment for Medical Segmentation via a Vision-Language Judge and Synthetic Data

通过视觉-语言裁判和合成数据进行大规模标签质量评估用于医学分割

Yixiong Chen, Zongwei Zhou, Wenxuan Li, Alan Yuille

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 SegAE通过视觉-语言模型和合成数据评估医学分割标签质量，提升数据效率和训练性能，减少标注成本和质检时间。

Comments ISBI 2026 accepted

ManipShield: A Unified Framework for Image Manipulation Detection, Localization and Explanation

ManipShield: 一种用于图像篡改检测、定位和解释的统一框架

Zitong Xu, Huiyu Duan, Xiaoyu Wang, Zhaolin Cai, Kaiwei Zhang, Qiang Hu, Jing Liu, Xiongkuo Min, Guangtao Zhai

机构 * Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所） ； University of Electronic and Science Technology of China（电子科技大学） ； Tianjin University（天津大学） 纠错

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

AI总结 ManipShield基于多模态大语言模型，通过对比学习LoRA微调和任务特定解码器，实现图像篡改的统一检测、定位和解释。

SIN-Bench: Tracing Native Evidence Chains in Long-Context Multimodal Scientific Interleaved Literature

SIN-Bench：在长上下文多模态科学交织文献中追踪原生证据链

Yiming Ren, Junjie Wang, Yuxin Meng, Yihang Shi, Zhiqiang Lin, Ruihang Chu, Yiran Xu, Ziming Li, Yunfei Zhao, Zihan Wang, Yu Qiao, Ruiming Tang, Minghao Liu, Yujiu Yang

机构 * Tsinghua University（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； KuaiShou Inc.（快手公司） ； Stanford University（斯坦福大学） ； Harvard University（哈佛大学） 纠错

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

AI总结 SIN-Bench 通过构建科学交织语料库和四个逐步任务，评估多模态模型在长上下文科学文献中追踪证据链的能力，揭示接地是主要瓶颈。

Sketch-Based Facade Renovation With Generative AI: A Streamlined Framework for Bypassing As-Built Modelling in Industrial Adaptive Reuse

基于草图的立面修复与生成式AI：一种简化框架，用于在工业适应性再利用中绕过实际建成建模

Warissara Booranamaitree, Xusheng Du, Yushu Cai, Zhengyang Wang, Ye Zhang, Haoran Xie

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

AI总结 本文提出了一种结合生成式AI和视觉-语言模型的三阶段框架，通过处理粗糙草图和文本描述，快速生成保留原结构且提高细节质量的立面修复提案，从而绕过传统详细建模流程。

Comments 10 pages, 9 figures, Proceedings of CAADRIA 2026

Instance-Aligned Captions for Explainable Video Anomaly Detection

实例对齐的描述用于可解释的视频异常检测

Inpyo Song, Minjun Joo, Joonhyung Kwon, Eunji Jeon, Jangwon Lee

机构 * SungKyunKwan University（顺 Kyun 峰大学） 纠错

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

AI总结 本文提出实例对齐的描述方法，用于提升视频异常检测的可解释性和可信度，通过空间定位和实例关联增强解释的可验证性。

Latent Reconstruction from Generated Data for Multimodal Misinformation Detection

从生成数据中进行潜在重建用于多模态虚假信息检测

Stefanos-Iordanis Papadopoulos, Christos Koutlis, Symeon Papadopoulos, Panagiotis C. Petrantonakis

机构 * Information Technology Institute, Centre for Research & Technology, Hellas（信息科技研究所，研究中心，希腊） ； Department of Electrical & Computer Engineering, Aristotle University of Thessaloniki（电气与计算机工程系，亚里士多德大学） 纠错

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

AI总结 本研究提出MisCaption This!框架和LAMAR网络，通过生成高保真度的误标数据和潜在重建技术，提升多模态虚假信息检测的性能。

LangHOPS: Language Grounded Hierarchical Open-Vocabulary Part Segmentation

LangHOPS: 语言引导的层次开放词汇部件分割

Yang Miao, Jan-Nico Zaech, Xi Wang, Fabien Despinoy, Danda Pani Paudel, Luc Van Gool

机构 * INSAIT ； Sofia University "St. Kliment Ohridski"（索菲亚大学"圣克莱门特·欧里迪斯基"） ； ETH Zurich（苏黎世联邦理工学院） ； TU Munich（慕尼黑技术大学） ； Toyota Motor Europe（丰田欧洲公司） 纠错

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

AI总结 LangHOPS通过多模态大语言模型实现开放词汇物体-部件实例分割，取得领域内和跨数据集的优异性能。

Comments 10 pages, 5 figures, 14 tables, Neurips 2025

BREATH-VL: Vision-Language-Guided 6-DoF Bronchoscopy Localization via Semantic-Geometric Fusion

BREATH-VL：基于视觉-语言引导的6自由度支气管镜定位：通过语义-几何融合

Qingyao Tian, Bingyu Yang, Huai Liao, Xinyan Huang, Junyong Li, Dong Yi, Hongbin Liu

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Department of Pulmonary and Critical Care Medicine, The First Affiliated Hospital of Sun Yat-sen University（中山大学附属第一医院呼吸与危重症医学科） ； Centre of AI and Robotics, Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences（香港科学院人工智能与机器人中心） ； School of Biomedical Engineering and Imaging Sciences, King’s College London（伦敦国王学院生物医学工程与影像科学学院） 纠错

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

AI总结 BREATH-VL通过融合语义和几何信息，实现高精度的6自由度支气管镜定位，减少定位误差并提升效率。

LSRE: Latent Semantic Rule Encoding for Real-Time Semantic Risk Detection in Autonomous Driving

LSRE: 隐式语义规则编码用于自动驾驶中的实时语义风险检测

Qian Cheng, Weitao Zhou, Cheng Jing, Nanshan Deng, Junze Wen, Zhaoyang Liu, Kun Jiang, Diange Yang

机构 * School of Vehicle and Mobility, Tsinghua University（车辆与移动系统学院，清华大学） 纠错

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

AI总结 LSRE通过隐式语义规则编码实现自动驾驶中的实时语义风险检测，以10 Hz速度提供高效准确的危险预判。

Affordance-Guided Coarse-to-Fine Exploration for Base Placement in Open-Vocabulary Mobile Manipulation

基于 affordance 的粗到细探索用于开放词汇移动操控中的基座放置

Tzu-Jung Lin, Jia-Fong Yeh, Hung-Ting Su, Chung-Yi Lin, Yi-Ting Chen, Winston H. Hsu

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

AI总结 本文提出了一种基于 affordance 的粗到细探索方法，通过结合视觉语言模型的语义理解和几何可行性，提升开放词汇移动操控中基座放置的成功率。

Comments Accepted to AAAI 2026

Investigating the Viability of Employing Multi-modal Large Language Models in the Context of Audio Deepfake Detection

探讨在音频深度伪造检测中使用多模态大语言模型的可行性

Akanksha Chuchra, Shukesh Reddy, Sudeepta Mishra, Abhijit Das, Abhinav Dhall

机构 * Indian Institute of Technology, Ropar, India（印度理工学院罗帕尔分校） ； Machine Intelligence Group, Birla Institute of Technology and Science, Pilani, Hyderabad Campus, India（比拉理工科学院帕利尼 Hyderabad 分校机器智能小组） ； Monash University, Melbourne, Australia（墨尔本大学） 纠错

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

AI总结 本文探讨了多模态大语言模型在音频深度伪造检测中的可行性，通过结合音频输入与多提示方法，展示了模型在域内数据上的良好表现及潜在应用价值。

Comments Accepted at IJCB 2025

Bringing The Consistency Gap: Explicit Structured Memory for Interleaved Image-Text Generation

弥合一致性差距：用于交错图像-文本生成的显式结构化记忆

Zeteng Lin, Xingxing Li, Wen You, Xiaoyang Li, Zehan Lu, Yujun Cai, Jing Tang

机构 * Hong Kong University of Science and Technology(Guangzhou)（香港科技大学（广州）） ； University of Queensland（昆士兰大学） 纠错

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

AI总结 IUT-Plug通过显式结构化记忆机制解决多模态生成中的上下文漂移问题，提升长序列一致性。

Unbiased Region-Language Alignment for Open-Vocabulary Dense Prediction

无偏区域-语言对齐用于开放词汇密集预测

Yunheng Li, Yuxuan Li, Quansheng Zeng, Wenhai Wang, Qibin Hou, Ming-Ming Cheng

机构 * VCIP, CS, Nankai University（南开大学计算机科学与技术学院） ； NKIARI, Shenzhen Futian（深圳福田国家信息研究院） ； OpenGVLab, Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 DenseVLM通过无偏区域-语言对齐提升开放词汇密集预测性能

Comments Accepted at ICCV 2025. The code is available at https://github.com/HVision-NKU/DenseVLM

SegEarth-R2: Towards Comprehensive Language-guided Segmentation for Remote Sensing Images

SegEarth-R2: 向远程 sensing 图像的全面语言引导分割迈进

Zepeng Xin, Kaiyu Li, Luodi Chen, Wanchen Li, Yuchen Xiao, Hui Qiao, Weizhan Zhang, Deyu Meng, Xiangyong Cao

机构 * Xi’an Jiaotong University（西安交通大学） ； China Telecom Shaanxi Branch（中国电信陕西分支） 纠错

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

AI总结 SegEarth-R2通过MLLM架构实现远程 sensing 图像的全面语言引导分割，解决复杂场景下的多目标和隐含意图识别问题。

SE360: Semantic Edit in 360$^\circ$ Panoramas via Hierarchical Data Construction

SE360：通过分层数据构建实现360度全景图的语义编辑

Haoyi Zhong, Fang-Lue Zhang, Andrew Chalmers, Taehyun Rhee

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

AI总结 SE360通过分层数据构建实现360度全景图的语义编辑，提出自主数据生成管道和两阶段数据精修策略，提升编辑质量和语义准确性。

Generative Human-Object Interaction Detection via Differentiable Cognitive Steering of Multi-modal LLMs

通过可微认知引导的多模态大语言模型进行生成式人类-物体交互检测

Zhaolin Cai, Huiyu Duan, Zitong Xu, Fan Li, Zhi Liu, Jing Liu, Wei Shen, Xiongkuo Min, Guangtao Zhai

机构 * Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所） ； Xi’an Jiao Tong University（西安交通大学） ； Shandong University（山东大学） ； Tianjin University（天津大学） 纠错

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

AI总结 本文提出GRASP-HO框架，通过可微认知引导的多模态大语言模型实现生成式人类-物体交互检测，解决封闭集分类与开放词汇生成之间的监督不匹配问题，实现判别感知与生成推理的统一。

Adaptive Detector-Verifier Framework for Zero-Shot Polyp Detection in Open-World Settings

面向开放世界设置的零样本息肉检测自适应检测-验证框架

Shengkai Xu, Hsiang Lun Kao, Tianxiang Xu, Honghui Zhang, Junqiao Wang, Runmeng Ding, Guanyu Liu, Tianyu Shi, Zhenyu Yu, Guofeng Pan, Ziqian Bi, Yuqi Ouyang

机构 * College of Computer Science, Sichuan University（四川大学计算机学院） ； Columbia University（哥伦比亚大学） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） ； Apon AI and Brain-Computer Engineering Research Institute（Apon人工智能与脑机工程研究院） ； Faculty of Science and Technology, University of Macau（澳门大学科学与技术学院） ； Faculty of Applied Science and Engineering, University of Toronto（多伦多大学应用科学与工程学院） ； Faculty of Computer Science and Information Technology, University of Malaya（马来亚大学计算机科学与信息技术学院） ； Zhaolong Technology（智龙科技） ； Purdue University（普渡大学） 纠错

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

AI总结 本文提出AdaptiveDetector，通过自适应阈值调整和成本敏感强化学习，实现开放世界中零样本息肉检测，提升召回率并减少假阴性。

Enhancing Interpretability and Interactivity in Robot Manipulation: A Neurosymbolic Approach

提升机器人操作的可解释性和交互性：一种神经符号方法

Georgios Tziafas, Hamidreza Kasaei

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

AI总结 本文提出一种神经符号方法，通过结合语言引导的视觉推理与机器人操作，提升可解释性和交互性，实现80.2%的成功率。

Comments Published in International Journal of Robotics Research (IJRR) (2025)

VLM2GeoVec: Toward Universal Multimodal Embeddings for Remote Sensing

VLM2GeoVec：迈向通用遥感多模态嵌入

Emanuel Sánchez Aimar, Gulnaz Zhambulova, Fahad Shahbaz Khan, Yonghao Xu, Michael Felsberg

机构 * Linköping University（_linköping大学） 纠错

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

AI总结 VLM2GeoVec通过单编码器对比学习实现遥感多模态嵌入，统一可扩展检索与区域推理，提升遥感场景分析的连贯性。

Comments 21 pages, 7 figures, under review

Point to Span: Zero-Shot Moment Retrieval for Navigating Unseen Hour-Long Videos

点到跨度：零样本时刻检索用于导航未见的小时级视频

Mingyu Jeon, Jisoo Yang, Sungjin Han, Jinkwon Hwang, Sunjae Yoon, Jonghee Kim, Junyeoung Kim

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

AI总结 P2S提出了一种无训练框架，通过适应性跨度生成器和查询分解技术，解决零样本长视频时刻检索中的搜索和细化阶段效率问题。

HalluShift++: Bridging Language and Vision through Internal Representation Shifts for Hierarchical Hallucinations in MLLMs

HalluShift++: 通过内部表示转移弥合语言与视觉，解决多模态大语言模型中的层级幻觉

Sujoy Nath, Arkaprabha Basu, Sharanya Dasgupta, Swagatam Das

机构 * Netaji Subhash Engineering College (NSEC)（奈尔贾伊·萨布哈工程学院） ； TCG Crest ； Electronics and Communication Sciences Unit (ECSU)（电子与通信科学单位） ； Indian Statistical Institute（印度统计研究所） 纠错

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

AI总结 HalluShift++通过分析MLLM内部表示转移，解决多模态大语言模型中的层级幻觉问题，提升幻觉检测的有效性。

Are AI-Generated Driving Videos Ready for Autonomous Driving? A Diagnostic Evaluation Framework

AI生成的驾驶视频是否准备好用于自动驾驶？一种诊断评估框架

Xinhao Xiang, Abhijeet Rastogi, Jiawei Zhang

机构 * IFM Lab, University of California, Davis（加州大学戴维斯分校IFM实验室） 纠错

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

AI总结 本文提出了一种诊断评估框架，系统研究AI生成驾驶视频在自动驾驶训练和评估中的可靠性，通过分析失败模式和构建基准测试，验证了过滤AIGVs可提升性能并补充现实数据。

AnyAnomaly: Zero-Shot Customizable Video Anomaly Detection with LVLM

AnyAnomaly: 零样本可定制化视频异常检测与LVLM

Sunghyun Ahn, Youngwan Jo, Kijung Lee, Sein Kwon, Inpyo Hong, Sanghyun Park

机构 * Yonsei University（延世大学） 纠错

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

AI总结 AnyAnomaly通过上下文感知的视觉问答模型实现零样本可定制化视频异常检测，无需微调大型视觉语言模型，在多个基准测试中取得最佳性能。

Comments Accepted to WACV 2026