Innovating with Generative AI: A Human Bottleneck Framework
生成式AI助力创新：人类瓶颈框架
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本研究提出人类瓶颈框架，分析生成式AI对创新过程各阶段瓶颈的影响，区分瓶颈类型并探讨AI对传统创新流程的挑战。
AI 大模型
视觉大模型 / VLM
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
1. 视觉定位与Grounding 736 篇
Understand Before Detect: Vision--Language Learning for Omni-Domain Infrared Small Target Detection
先理解再检测：用于全域红外小目标检测的视觉-语言学习
机构 * National University of Defense Technology（国防科技大学） ； College of Computer Science, Nankai University（南开大学计算机学院） ； Peking University（北京大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 针对全域红外小目标检测的域偏移问题，提出“先理解再检测”范式及JinSight方法，构建视觉-语言数据集OmniIRST-VL，实现跨异构红外域的泛化检测。
MuST-VAD: Mutual Structured Learning for Video Anomaly Detection
MuST-VAD：用于视频异常检测的互结构化学习
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 MuST-VAD是用于弱监督视频异常检测的互结构化学习框架，通过检测器与LVLM的双向知识交换，在UCF-Crime数据集上显著提升了检测精度，AP优于现有最优方法。
Universal Concept Disruption for SAM3 Image Segmentation
用于SAM3图像分割的通用概念干扰
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 针对SAM3图像分割的对抗鲁棒性空白，提出通用概念干扰（UCD）攻击方法，在多数据集上显著降低SAM3的分割性能，且扰动可跨SAM3.1及视频推理迁移，仅有限恢复。
When Privileged Guidance Misaligns: State-Matched Routing and Contextualized Self-Distillation for Multi-Turn Agents
当特权指导出现错位：面向多轮智能体的状态匹配路由与语境化自蒸馏
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 针对多轮智能体特权指导的状态-参考不匹配问题，提出SMRC-SD方法，通过状态匹配路由与语境化自蒸馏提升了ALFWorld和WebShop任务的成功率。
Simile Understanding in Text-to-Image Models: An Evaluation Framework
文本到图像模型中的明喻理解：一个评估框架
机构 * The University of Tokyo（东京大学） ； Nara Institute of Science and Technology（奈良科学技术研究所） ； Chungnam National University（忠南国立大学） ； Institute of Science Tokyo（东京科学大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 针对文本到图像模型常混淆明喻喻体与本体的问题，提出含受控数据集、YOLO指标及Diffusion Lens分析的评估框架，实验发现模型存在字面化失败模式并讨论了缓解策略。
Comments Accepted as a full paper at ACM Multimedia 2026
Thinking with Anchors: Grounded and Efficient Document Reasoning
基于锚点思考：接地且高效的文档推理
机构 * Georgia Tech（佐治亚理工学院） ； CMU（卡内基梅隆大学） ； Adobe（奥多比公司） ； ZJU（浙江大学） ； NUIST（南京信息工程大学） ； SEU（东南大学） ； Physion Labs（Physion实验室） ； Columbia University（哥伦比亚大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 该研究提出面向推理的ADOPD 2026数据集，将多类文档元素转化为视觉锚点，支持区域语义标注、统一视觉-语言接地等能力，解决现有模型在文档计数任务上的不足，推动文档理解向锚点接地的智能方向发展。
FinProBench: Evaluating Financial AI Agents with Role-Grounded Rubrics Derived from Professional Deliverables
FinProBench：基于专业交付物衍生的角色基准评估金融AI智能体
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 该研究推出FinProBench金融AI智能体基准及RGRC角色基准构建流程，实验显示RGRC在角色专业化角色评估上优于仅提示方法，角色级复用基准可大幅减少工作量。
UniEvo-RS: Omni-Prompt Unified Remote Sensing Segmentation with Representative Exemplar-Driven Prototype Evolution
UniEvo-RS：基于代表性示例驱动原型演化的全提示统一遥感分割
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 UniEvo-RS是配备代表性示例驱动原型演化的全提示统一遥感分割框架，通过多指令提示数据集与原型演化机制，在批量标注中对未见过的类别实现无需训练的精度提升，性能达当前最优。
Comments 18 pages, 8 figures, 9 tables
Amortized Interventional Forecasting for Multivariate CIR Processes
多元CIR过程的摊销干预预测
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 本文针对多元CIR过程，提出摊销干预预测框架CIR-ACTIVA，可估计因果效应、预测多horizon冲击响应，在CDS利差测试中优于基线，能解答观测型方法无法处理的假设性查询。
Decoupling Generation and Selection for Budget-Constrained Faithful Summarization
面向预算约束的忠实摘要生成：解耦生成与选择
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 该研究针对摘要式模型的事实不一致等问题，提出解耦生成与选择的模块化框架，在多数据集上提升了事实性，仅参考重叠分数略有降低。
AI-Assisted Peer Review Across Research Communities: From Reviewer AI Policies to LLM Review Quality
跨研究社区的AI辅助同行评审：从评审人AI政策到大语言模型评审质量
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 该研究调研111个顶尖AI/NLP会议及医学期刊的AI评审政策，评估ICLR 2026和《自然·通讯》的AI评审质量，发现AI评审存在系统性缺陷，主张采用多维度评估。
Comments 30 pages, 19 figures, 10 tables. Currently under peer review. GitHub link for code and data is given in the paper
VR3D: View-Robust 3D Representation Learning for Aerial-Ground Person Re-Identification
VR3D：面向空地行人重识别的视角鲁棒3D表示学习
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文针对空地行人重识别的视角偏差问题，提出VR3D框架，通过视角鲁棒3D表示交互与可靠性感知融合技术，在三个基准数据集上实现了优于现有方法的性能，CARGO数据集Rank-1提升5.63%。
Comments 12 pages, 10 figures
VC-Tooler: Learning Compositional and Adaptive Visual Tool Use
VC-Tooler：学习组合式与自适应视觉工具使用
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 VC-Tooler是一种学习组合式与自适应视觉工具使用的模型，通过分层合成轨迹库与两阶段训练，在通用和具身基准上达到开源模型最优性能，且具良好迁移能力。
SVGEval: A Vision-Grounded Framework for Perceptual-Quality Benchmarking and Evaluation in Text-to-SVG Generation
SVGEval：用于文本到SVG生成中感知质量基准测试与评估的视觉基础框架
机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳）） ； School of Integrated Circuits (School of Information Science and Electronic Engineering), Shanghai Jiao Tong University（上海交通大学集成电路学院（信息科学与工程学院）） ； Zhiyuan College, Shanghai Jiao Tong University（上海交通大学致远学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 研究针对文本到SVG生成评估的缺陷，提出视觉基础的SVGEval基准，发现多模态模型在几何布局判断上的差距，训练出可解释的SVG质量评分器，为SVG生成评估改进提供支撑。
Comments Accepted by ECCV 2026
ProtoAct: Turning Wet-Lab Protocols into Embodied Robotic Actions
ProtoAct：将湿实验室协议转化为具身机器人动作
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 研究针对湿实验室协议难转化为机器人动作的问题，提出ProtoAct框架，结合ProtoRAG、RefineChecker、ActSchema处理协议，引入BioP2E数据集，经多模型评估与消融实验验证，可实现仿真及真实机器人的协议执行。
Comments 15 pages, 13 figures
PixVL: Self-Supervised Training of Pixel-Level MLLMs via a Unified Mask--Text Consistency Cycle
PixVL：通过统一掩码-文本一致性循环进行像素级多模态大语言模型的自监督训练
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 PixVL作为自监督后训练框架，通过统一掩码-文本一致性循环及语义验证等策略，解决像素级MLLMs的优化干扰问题，同时提升区域理解与分割任务性能。
The Graph Language: How Knowledge Graphs Speak to Large Language Models
图语言：知识图谱如何与大语言模型对话
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 研究针对知识图谱与大语言模型融合的挑战，提出GRALAN模型，通过关系令牌实现KG在LLM语义空间的适配，在问答任务中显著优于现有方法，为KG-LLM融合提供新范式。
Comments Accepted to ISWC 2025
Large language models improve physician accuracy but lead to false reliance
大型语言模型可提高医师准确率，但会导致错误依赖
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 本研究开发智能体式检索增强型LLM CORA，发现其可将46名医师的诊断准确率从70.8%提升至82.6%，但存在错误答案获引用支持时医师抵抗大幅下降的安全风险。
AgentMemBench: A Systematic Benchmark for Evaluating Long-Term Memory Management Strategies in Conversational AI Agents
AgentMemBench：用于评估对话AI智能体长期记忆管理策略的系统基准
机构 * Sofrecom（索弗雷科姆）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 该研究构建了AgentMemBench基准，评估五种记忆策略及两款现有系统，发现外部键值存储（EKV）在长程对话记忆任务中表现最优，但存在内存占用成本，同时公开了全部可复现资源。
Comments 22 pages, 3 figures submitted on Neural Computing and Applications
COSI-Lab: Conference Living Lab for Modeling Multi-Perspective Multimodal Social Intention
COSI-Lab：用于建模多视角多模态社会意图的会议生活实验室
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 COSI-Lab构建了含32名学者的会议多模态数据集，提出表观意图推理任务及相关标注、分析、基准等贡献，助力智能系统处理主观感知。
RefCaptioner: Multi-Reference Image-Grounded Video Captioning
RefCaptioner：多参考图像接地的视频字幕生成
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出多参考图像接地的视频字幕生成新任务，构建语料库与MRVBench基准，提出RefCaptioner框架，实验证实其性能最优且生成字幕更忠实。
Diversifying Personalized Research Ideation against AI-Induced Homogenization
针对AI引发的同质化问题实现个性化研究构思的多样化
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 该研究针对AI辅助研究构思的同质化问题，提出DivAlign四阶段流程，在保留研究者-方向适配性的同时降低社区研究组合冗余，相关成果代码与数据已公开。
Learning to Understand Body Language from Flight through Robust 3D Avatar Placing
通过鲁棒3D化身放置学习理解肢体语言
机构 * National University of Science and Technology “Politehnica” Bucharest（布加勒斯特理工国立大学） ； “Simion Stoilow” Institute of Mathematics of the Romanian Academy（罗马尼亚科学院“西米翁·斯托伊洛夫”数学研究所） ； NORCE Norwegian Research Centre AS（挪威NORCE研究中心）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 该研究推出Drones2BodyLanguage数据集，结合轻量几何世界模型训练12种架构，可提升空中机器人对人类交际意图的感知准确率，为社交智能无人机提供数据支撑与方法。
ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction
ProgFormer：用于纵向脑部MRI预测的分层体素扩散Transformer
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 ProgFormer是一种分层体素扩散Transformer，通过粗-细通路结合条件流匹配，在ADNI等三个基准上实现了更优的纵向脑部MRI预测性能。
Neural Network-Assisted CLEAN for Channel Modeling in Low-SNR Regimes
低信噪比环境下基于神经网络辅助CLEAN的信道建模
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG
AI总结 针对低信噪比信道建模，该研究提出混合框架NN-CLEAN，结合神经网络与CLEAN算法，在5dB SNR下精度超96%，计算复杂度大幅降低，可作为MIMO系统实时信道估计方案。
AHA-Memes: A Fine-Grained Multimodal Benchmark for Understanding Hate in Arabic Memes
AHA-Memes：用于理解阿拉伯语表情包中仇恨内容的细粒度多模态基准
机构 * Qatar Computing Research Institute（卡塔尔计算研究所） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学） ； Northwestern University in Qatar（卡塔尔西北大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.AI
AI总结 该研究推出首个带细粒度多标签标注的阿拉伯语仇恨表情包基准AHA-Memes，构建含5000张人工标注及6.6万张银标的数据集，对多类模型基准测试并发布资源以推动相关研究。
Comments 26 pages, 14 figures, 15 tables
Speech2Grasp: Data-Efficient Transfer of Text-Conditioned Grasp Detection to Speech in Humanoid Robots
Speech2Grasp：面向人形机器人的文本条件抓取检测到语音的高效数据迁移
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 本研究提出Speech2Grasp框架，以数据高效方式将文本条件抓取检测模型迁移至语音输入，通过轻量级MLP投影器适配，在人形机器人实验中性能优于级联ASR流水线且延迟更低，为文本系统扩展到语音提供实用范式。
Registration-Grounded Spectral Fusion for Unregistered WLI/NBI Endoscopic Lesion Segmentation
基于配准的光谱融合用于未配准的WLI/NBI内镜病灶分割
机构 * The First Affiliated Hospital of Sun Yat-sen University（中山大学附属第一医院） ； School of Computer Science and Technology, Hainan University（海南大学计算机科学与技术学院） ； School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院） ； Chongqing University of Posts and Telecommunications（重庆邮电大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 针对未配准的WLI/NBI内镜病灶分割问题，提出可靠性感知复域融合框架，通过拓扑正则化特征对应与可靠性引导的选择性融合，提升病灶分割性能。
Comments 11 pages
The Easy Trap: Why LLMs Underestimate Misconception-Driven Difficulty
易陷阱：为何大语言模型低估由误解驱动的难度
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 该研究发现，用于教育评估难度估计的LLM会系统性低估由学习者误解驱动的数学题难度，提出“易陷阱”现象，其仅能捕捉难度大致排序，无法反映学生实际认知难度。
Comments This paper poster presented on 19th Educational Data Mining Conference 2026
