视觉大模型 / VLM

From Passive Reuse to Active Reasoning: Grounding Large Language Models for Neuro-Symbolic Experience Replay

从被动重用来主动推理：为神经符号经验回放构建大型语言模型

Yanan Xiao, Yixiang Tang, Zechen Feng, Lu Jiang, Minghao Yin, Pengyang Wang

机构 * Affiliation（机构1） 纠错

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

AI总结 本文提出神经符号经验回放框架，通过将经验回放从被动样本重用机制转变为知识构建的主动引擎，解决语言推理与数值优化的不兼容问题，提升样本效率和收敛速度。

The Grounding Gap: How LLMs Anchor the Meaning of Abstract Concepts Differently from Humans

概念基础差距：LLMs如何以不同于人类的方式锚定抽象概念的含义

Odysseas S. Chlapanis, Orfeas Menis Mastromichalakis, Christos H. Papadimitriou

机构 * Department of Informatics（信息学院） ； Athens University of Economics and Business（雅典经济与商业大学） ； Archimedes, Athena Research Center（阿基米德·雅典研究中心） ； Instituto de Telecomunicações（电信研究所） ； Department of Computer Science（计算机科学系） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 研究比较了LLMs与人类对抽象概念的锚定方式，发现LLMs过度依赖词关联，缺乏情感和内部状态属性，导致基础差距显著。

Ablation Study of Multimodal Perception, Language Grounding, and Control for Human-Robot Interaction in an Object Detection and Grasping Task

多模态感知、语言接地与控制在物体检测与抓取任务中的人机交互消融研究

Zi Tian, Guanting Shen

机构 * Dalian University of Technology（大连理工大学） 纠错

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

AI总结 本文通过消融研究探讨多模态感知、语言接地和控制模块对端到端性能的影响，评估最佳组合以优化执行时间和成功率。

Comments 10 pages

Static and Dynamic Graph Alignment Network for Temporal Video Grounding

静态与动态图对齐网络用于时序视频定位

Zhanjie Hu, Bolin Zhang, Jianhua Wang, Jianbo Zheng, Chenchen Yan, Takahiro Komamizu, Ichiro Ide, Jiangbo Qian

机构 * Faculty of Electronic Engineering and Computer Science, Ningbo University（宁波大学电子工程与计算机科学学院） ； College of Computer Science, Inner Mongolia University（内蒙古大学计算机学院） ； College of Computing and Engineering, Hunan Normal University（湖南师范大学计算机与工程学院） ； Faculty of Computing, Georg-August-Universität Göttingen（哥廷根大学计算机学院） ； Center for Artificial Intelligence, Mathematical and Data Science, Nagoya University（名古屋大学人工智能、数学与数据科学中心） 纠错

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

AI总结 本文提出SDGAN，通过联合静态和动态视觉特征构建互补的时序图，引入查询-片段对比学习和自适应图建模，结合多粒度时间提案和渐进易难训练策略，提升时序视频定位的性能。

Towards High-Fidelity CAD Generation via LLM-Driven Program Generation and Text-Based B-Rep Primitive Grounding

通过LLM驱动的程序生成和基于文本的B-Rep基础构建实现高保真的CAD生成

Jiahao Li, Qingwang Zhang, Qiuyu Chen, Guozhan Qiu, Yunzhong Lou, Xiangdong Zhou

机构 * Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出FutureCAD框架，利用LLM和BRepGround变压器生成高保真的CAD模型，通过自然语言指定几何选择并训练数据集提升生成性能。

Comments preprint

Multi-Scale Contrastive Learning for Video Temporal Grounding

多尺度对比学习用于视频时间定位

Thong Thanh Nguyen, Yi Bin, Xiaobao Wu, Zhiyuan Hu, Cong-Duy T Nguyen, See-Kiong Ng, Anh Tuan Luu

机构 * Institute of Data Science (IDS), National University of Singapore（数据科学研究所（IDS），新加坡国立大学） ； Tongji University（同济大学） ； Nanyang Technological University (NTU)（南洋理工大学） 纠错

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

AI总结 本文提出多尺度对比学习框架，通过多阶段视频编码器生成样本，无需数据增强或在线记忆库，提升视频时间定位的语义表达。

Comments Accepted at AAAI 2025

TTL: Test-time Textual Learning for OOD Detection with Pretrained Vision-Language Models

TTL: 用于基于预训练视觉-语言模型的分布外检测的测试时文本学习

Jinlun Ye, Jiang Liao, Runhe Lai, Xinhua Lu, Jiaxin Zhuang, Zhiyong Gan, Ruixuan Wang

机构 * Sun Yat-sen University（中山大学） ； China United Network Communications Corporation Limited Guangdong Branch（中国联合网络通信集团有限公司广东分公司） ； Peng Cheng Laboratory（鹏城实验室） ； Hong Kong University of Science and Technology（香港科技大学） ； Key Laboratory of Machine Intelligence and Advanced Computing, MOE（教育部机器智能与高级计算重点实验室） 纠错

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

AI总结 本文提出TTL框架，通过动态学习测试流中的分布外文本语义提升测试时分布外检测性能，实验表明其在多个基准上均取得最优效果。

Comments Accepted to CVPR 2026

Training-Free Semantic Multi-Object Tracking with Vision-Language Models

无需训练的语义多目标跟踪与视觉-语言模型

Laurence Bonat, Francesco Tonini, Elisa Ricci, Lorenzo Vaquero

机构 * Department of Information Engineering and Computer Science, University of Trento（信息工程与计算机科学系，特伦托大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） 纠错

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

AI总结 本文提出TF-SMOT，一种无需训练的语义多目标跟踪方法，结合预训练组件生成时间一致的跟踪片段，并通过InternVideo2.5生成视频摘要和实例描述，同时通过语义检索提升交互识别性能。

Comments Accepted to the 20th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2026)

Enhancing Fine-Grained Spatial Grounding in 3D CT Report Generation via Discriminative Guidance

通过判别引导增强3D CT报告生成中的细粒度空间定位

Chenyu Wang, Weicheng Dai, Han Liu, Wenchao Li, Kayhan Batmanghelich

机构 * Boston University（波士顿大学） ； Siemens Healthineers（西门子医疗） 纠错

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

AI总结 本文提出DCP-PD框架，通过提炼自由文本报告中的细粒度线索，指导报告生成并减少对快捷方式的依赖，提升了CT-RATE和Rad-ChestCT的性能。

Affostruction: 3D Affordance Grounding with Generative Reconstruction

构形：基于生成重建的3D构形定位

Chunghyun Park, Seunghyeon Lee, Minsu Cho

机构 * Pohang University of Science and Technology (POSTECH)（浦项科技大学） ； RLWRLD 纠错

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

AI总结 本文提出Affostruction框架，通过生成式重建完整物体几何并基于全形体进行构形定位，优于现有方法，在构形定位和3D重建上取得显著成绩。

Comments Accepted to CVPR 2026

Towards Mitigating Modality Bias in Vision-Language Models for Temporal Action Localization

面向视频时序动作定位中缓解模态偏差的视觉-语言模型

Jiaqi Li, Guangming Wang, Shuntian Zheng, Minzhe Ni, Xiaoman Lu, Guanghui Ye, Yu Guan

机构 * UVLab, Department of Computer Science, University of Warwick（华威大学计算机科学系UVLab） ； Department of Automation, University of Cambridge（剑桥大学自动化系） ； Department of Computer Science, The University of Sheffield（谢菲尔德大学计算机科学系） 纠错

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

AI总结 本文提出ActionVLM框架，通过去偏差重加权模块和残差聚合策略缓解视频时序动作定位中的模态偏差，提升时间推理能力，在THUMOS14数据集上取得3.2%的mAP提升。

Explorable Theorems: Making Written Theorems Explorable by Grounding Them in Formal Representations

可探索的定理：通过将其基于形式化表示来使书面定理可探索

Hita Kambhamettu, Will Crichton, Sean Welleck, Harrison Goldstein, Andrew Head

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Brown University（布朗大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University at Buffalo（布法罗大学） 纠错

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

AI总结 本文提出可探索的定理系统，利用LLM将定理和证明转化为Lean语言，使用户能交互式地逐步验证证明并测试例子，提升数学理解。

Vision Language Models versus Machine Learning Models Performance on Polyp Detection and Classification in Colonoscopy Images

视觉语言模型与机器学习模型在结肠镜图像息肉检测与分类中的性能对比

Mohammad Amin Khalafi, Seyed Amir Ahmad Safavi-Naini, Ameneh Salehi, Nariman Naderi, Dorsa Alijanzadeh, Pardis Ketabi Moghadam, Kaveh Kavosi, Negar Golestani, Shabnam Shahrokh, Soltanali Fallah, Jamil S Samaan, Nicholas P. Tatonetti, Nicholas Hoerter, Girish Nadkarni, Hamid Asadzadeh Aghdaei, Ali Soroush

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

AI总结 本文对比了视觉语言模型与传统机器学习模型在结肠镜图像息肉检测和分类任务中的性能，发现ResNet50在检测任务中表现最佳，而BiomedCLIP和GPT-4在特定情况下也表现出色。

Comments Code is available at: https://github.com/aminkhalafi/CML-vs-LLM-on-Polyp-Detection. CoI: AlSo serves on the advisory board and holds equity in Virgo Surgical Solutions. The other authors declare no conflicts of interest. Data

Journal ref Scientific Reports 15, 45484 (2025)

Generate, Analyze, and Refine: Training-Free Sound Source Localization via MLLM Meta-Reasoning

生成、分析与优化：基于MLLM元推理的无训练声源定位

Subin Park, Jung Uk Kim

机构 * Kyung Hee University（庆熙大学） 纠错

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

AI总结 本文提出无训练的声源定位框架，利用多模态大语言模型的推理能力，通过生成-分析-优化流程实现声源定位，实验表明在单源和多源基准上表现优异。

Comments Accepted to CVPR 2026

Grounding Surgical Action Triplets with Instrument Instance Segmentation: A Dataset and Target-Aware Fusion Approach

通过仪器实例分割接地手术动作三元组：一个数据集和目标感知融合方法

Oluwatosin Alabi, Meng Wei, Charlie Budd, Tom Vercauteren, Miaojing Shi

机构 * Tongji University（同济大学） 纠错

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

AI总结 本文提出通过仪器实例分割接地手术动作三元组，引入CholecTriplet-Seg数据集和TargetFusionNet架构，提升手术场景中动作理解的准确性和鲁棒性。

Beyond Referring Expressions: Scenario Comprehension Visual Grounding

超越指称表达：场景理解视觉 grounding

Ruozhen He, Nisarg A. Shah, Qihua Dong, Zilin Xiao, Jaywon Koo, Vicente Ordonez

机构 * Rice University（莱斯大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Northeastern University（东北大学） 纠错

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

AI总结 本文提出RSC基准，探索基于场景的视觉 grounding，通过角色、意图和关系上下文推断目标，而非显式命名。ScenGround方法结合监督预热与难度感知强化学习，提升模型在复杂场景下的表现。

Comments 20 pages, 18 figures, Project Page: https://catherine-r-he.github.io/RSC/

NeuroNarrator: A Generalist EEG-to-Text Foundation Model for Clinical Interpretation via Spectro-Spatial Grounding and Temporal State-Space Reasoning

NeuroNarrator：一种通过频谱-空间定位和时间状态空间推理的通用EEG到文本基础模型，用于临床解释

Guoan Wang, Shihao Yang, Jun-en Ding, Hao Zhu, Feng Liu

机构 * Stevens Institute of Technology（史蒂文斯理工学院） 纠错

专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.LG

AI总结 NeuroNarrator通过频谱-空间定位和时间状态空间推理，将EEG信号转化为临床文本，解决传统EEG分析方法在临床解释中的局限性。

ProVG: Progressive Visual Grounding via Language Decoupling for Remote Sensing Imagery

ProVG：通过语言解耦实现遥感图像的渐进式视觉定位

Ke Li, Ting Wang, Di Wang, Yongshan Zhu, Yiming Zhang, Tao Lei, Quan Wang

机构 * Xidian University（西安电子科技大学） 纠错

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

AI总结 ProVG通过解耦语言表达为全局上下文、空间关系和对象属性，提出一种改进遥感图像定位精度的新框架，采用渐进式跨模态调节器和跨尺度融合模块，实现更精确的视觉语言对齐。

RegFormer: Transferable Relational Grounding for Efficient Weakly-Supervised Human-Object Interaction Detection

RegFormer：可转移的交互关系接地以实现高效的弱监督人类-物体交互检测

Jihwan Park, Chanhyeong Yang, Jinyoung Park, Taehoon Song, Hyunwoo J. Kim

机构 * KAIST（韩国科学技术院） ； LG Energy Solution（LG新能源） ； Korea University（高丽大学） 纠错

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

AI总结 RegFormer通过空间接地信号实现高效的弱监督人类-物体交互检测，无需额外训练即可直接迁移至实例级推理，实验表明其在效率和性能上均优于传统方法。

Comments Accepted at CVPR2026

Cross-modal Proxy Evolving for OOD Detection with Vision-Language Models

跨模态代理演化用于领域外检测与视觉-语言模型

Hao Tang, Yu Liu, Shuanglin Yan, Fei Shen, Shengfeng He, Jing Qin

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

AI总结 本文提出CoEvo框架，通过双向样本条件适应文本和视觉代理，动态挖掘上下文文本负样本并迭代优化视觉代理，提升跨模态对齐和领域外检测鲁棒性。

Comments Accepted by AAAI 2026

Object Affordance Recognition and Grounding via Multi-scale Cross-modal Representation Learning

基于多尺度跨模态表示学习的对象 affordance 识别与定位

Xinhang Wan, Dongqiang Gou, Xinwang Liu, En Zhu, Xuming He

机构 * National University of Defense Technology（国防科技大学） ； ShanghaiTech University（上海科技大学） 纠错

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

AI总结 本文提出一种新的方法，通过学习 affordance 意识的 3D 表示和分阶段推理策略，解决对象 affordance 定位与分类任务中的依赖关系建模问题，提升识别效果。

SemLoc: Structured Grounding of Free-Form LLM Reasoning for Fault Localization

SemLoc：基于结构化语义绑定的自由形式LLM推理故障定位

Zhaorui Yang, Haichao Zhu, Qian Zhang, Rajiv Gupta, Ashish Kundu

机构 * UC Riverside（加州大学河滨分校） ； Cisco Research（思科研究院） ； Independent Researcher（独立研究员） 纠错

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

AI总结 SemLoc通过结构化语义绑定将自由形式LLM推理转化为封闭中间表示，结合语义违反光谱提升故障定位精度，实现7.6%的代码检查效率提升。

HieraMamba: Video Temporal Grounding via Hierarchical Anchor-Mamba Pooling

HieraMamba：通过分层锚点-Mamba池化实现视频时间接地

Joungbin An, Kristen Grauman

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 HieraMamba通过分层锚点-Mamba池化结构，在长视频中实现精确的时间定位，解决了视频时间接地中的全局上下文与细粒度时间细节捕捉难题。

Comments CVPR 2026. Project Page: https://vision.cs.utexas.edu/projects/hieramamba/

MedLoc-R1: Performance-Aware Curriculum Reward Scheduling for GRPO-Based Medical Visual Grounding

MedLoc-R1: 为基于GRPO的医疗视觉接地任务的性能感知课程奖励调度

Guangjing Yang, Ziyuan Qin, Chaoran Zhang, Chenlin Du, Jinlin Wang, Wanran Sun, Zhenyu Zhang, Bing Ji, Qicheng Lao

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Emory University（埃默里大学） ； Peking University（北京大学） ； Shandong University（山东大学） 纠错

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

AI总结 本文提出MedLoc-R1框架，通过性能感知奖励调度提升医疗视觉接地任务的定位准确性和训练稳定性，无需引入辅助网络。

Comments 2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)

OptiSAR-Net++: A Large-Scale Benchmark and Transformer-Free Framework for Cross-Domain Remote Sensing Visual Grounding

OptiSAR-Net++：跨领域遥感视觉定位的大型基准和无Transformer框架

Xiaoyu Tang, Jun Dong, Jintao Cheng, Rui Fan

机构 * South China Normal University（华南师范大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Tongji University（同济大学） ； Shanghai Research Institute for Intelligent Autonomous Systems（上海自主智能无人系统科学中心） ； State Key Laboratory of Intelligent Autonomous Systems（智能自主系统国家重点实验室） ； Frontiers Science Center for Intelligent Autonomous Systems（智能自主系统前沿科学中心） 纠错

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

AI总结 本文提出OptiSAR-Net++，通过构建首个跨领域遥感视觉定位基准数据集，解决跨领域特征建模、计算效率和细粒度语义区分问题，提升定位精度与效率。

Phrase Grounding-based Style Transfer for Single-Domain Generalized Object Detection

基于短语定位的风格迁移单域通用目标检测

Hao Li, Wei Wang, Cong Wang, Zhigang Luo, Xinwang Liu, Kenli Li, Xiaochun Cao

机构 * School of Computer, National University of Defense Technology, Changsha, China（国防科技大学计算机学院，中国长沙） ； School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University, Shenzhen, China（中山大学深圳校区计算机科学与技术学院，中国深圳） ； Hong Kong Polytechnic University, Department of Computing, Hong Kong（香港理工大学计算学院，香港） ； College of Computer Science and Electronic Engineering, Hunan University, Changsha, China（湖南大学计算机科学与电子工程学院，中国长沙） 纠错

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

AI总结 本文提出基于短语定位的风格迁移方法，通过学习目标域风格提升模型泛化能力，实验表明在多个天气驾驶基准上取得最佳性能。

Comments 16 pages, 7 figures

A Large-Scale Remote Sensing Dataset and VLM-based Algorithm for Fine-Grained Road Hierarchy Classification

一个大规模遥感数据集和基于视觉-语言的算法用于细粒度道路层级分类

Ting Han, Xiangyi Xie, Yiping Chen, Yumeng Du, Jin Ma, Aiguang Li, Jiaan Liu, Yin Gao

机构 * School of Geospatial Engineering and Science（地理工程与科学学院） ； Laboratory of Intelligent Collaborative Computing（智能协同计算实验室） ； United Nations University Institute in Macau（联合国澳门研究所） ； Moganshan Geospatial Information Laboratory（莫干山地理信息实验室） 纠错

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

AI总结 本文提出SYSU-HiRoads数据集和RoadReasoner算法，用于从遥感图像中自动多级道路制图。数据集包含3631平方公里的GF-2影像，提供高精度道路掩码和层级标签，算法通过增强频率敏感特征和多尺度上下文，实现道路表面掩码、拓扑保持网络和语义一致的层级分配。

Think and Answer ME: Benchmarking and Exploring Multi-Entity Reasoning Grounding in Remote Sensing

思考并回答ME：基准测试和探索遥感中的多实体推理 grounding

Shuchang Lyu, Haiquan Wen, Guangliang Cheng, Meng Li, Zheng Zhou, You Zhou, Dingding Yao, Zhenwei Shi

机构 * Beihang University, Beijing, China（北京航空航天大学） ； University of Liverpool, Liverpool, UK（利物浦大学） ； Institute of Acoustics, Chinese Academy of Sciences, Beijing, China（中国科学院声学研究所） 纠错

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

AI总结 本文提出ME-RSRG基准数据集，通过Entity-Aware Reasoning框架提升遥感多实体推理能力，验证了该框架的有效性。

Comments 22 pages, 9 figures, 5 tables

When both Grounding and not Grounding are Bad -- A Partially Grounded Encoding of Planning into SAT (Extended Version)

当同时 grounding 和不 grounding 都不好 -- 一种部分 grounding 的规划到 SAT 编码（扩展版）

João Filipe, Gregor Behnke

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

AI总结 本文提出一种部分 grounding 的 SAT 编码，在保持动作 lifted 的同时部分 grounding 预言，实现线性规模的规划效率，优于现有方法。

Rethinking MLLM Itself as a Segmenter with a Single Segmentation Token

重新思考MLLM本身作为分割器：仅用一个分割标记

Anqi Zhang, Xiaokang Ji, Guangyu Gao, Jianbo Jiao, Chi Harold Liu, Yunchao Wei

机构 * Beijing Institute of Technology（北京理工大学） ； University of Birmingham（伯明翰大学） ； Beijing Jiaotong University（北京交通大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

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

AI总结 本文提出SELF1E方法，通过保留原始图像分辨率并利用残差特征提升分割精度，无需外部解码器即可实现与专业解码器相当的分割性能。

Comments Paper is accepted by CVPR 2026