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。
SpatialUAV：低空无人机感知、协作与运动的空间智能基准
机构 * IEEE
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出SpatialUAV基准，包含4331个实例和14种任务类型，评估低空无人机在语义判别、空间关系、多视角协作及运动理解等方面的空间智能，发现现有模型在跨视角关联、结构化定位、几何推理和时间理解上远逊于人类。
Comments 10 pages, 7 figures
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
拆除病理性捷径：忠实LVLM解码的因果框架
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出Fox框架，通过视觉注意力熵探针定位风险中介头，利用数值logit饱和进行因果干预，并结合冲突门控协同解码，消除视觉语言模型中的对象幻觉，实现忠实解码。
Comments 29 pages, 25 figures. Accepted by ICML 2026
WatchAct: 行为引导的机器人操作基准
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出WatchAct基准，通过人类行为视频与指令配对，评估机器人对观察行为的推理能力，涵盖事件解析、程序推理、意图推断和情景记忆四个认知维度，实验显示现有系统性能远低于人类。
保持VIGILant：通过多模态大语言模型中的反事实视觉对齐缓解视觉懒惰
机构 * UAB（阿拉巴马大学伯明翰分校） ； Yale（耶鲁大学） ； UNSW（新南威尔士大学） ； Tulane（杜兰大学） ； Georgia Tech（佐治亚理工学院） ； NEU（东北大学） ； OSU（俄亥俄州立大学） ； UIowa（爱荷华大学） ； Harvard（哈佛大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 提出VIGIL框架，通过强化学习后训练最大化视觉输入与生成响应间的互信息，惩罚“盲目自信”实例，有效缓解MLLMs的视觉懒惰问题，在幻觉和推理基准上优于现有方法。
Comments ECCV 2026
通过ROI重思考与合成数据增强脑部MRI异常检测与推理
机构 * College of Biomedical Engineering, Fudan University（复旦大学 生物医学工程学院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出BrReMark框架，通过显式区域标记和假设验证机制增强脑部MRI诊断的可信度，结合结构化推理轨迹的监督微调和强化学习，以及基于域随机化的病理合成增强，显著提升定位精度并减少幻觉。
E-MRL: 跨视图对齐的证据驱动多模态强化学习用于可靠的3D肿瘤分析
机构 * Zhejiang University（浙江大学） ； DAMO Academy, Alibaba Group（阿里巴巴集团达摩院） ； Hupan Lab（华平实验室） ； Huazhong University of Science and Technology（华中科技大学） ； East China Normal University（华东师范大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出跨视图对齐的证据驱动多模态强化学习框架E-MRL，通过将生成过程建模为“诊断-定位-验证”的马尔可夫决策过程，并引入跨视图一致性奖励，减少视觉幻觉并提升3D CT肿瘤诊断准确性。
Comments 9 pages, 2 figures
MIRCaps: 一个大规模混合域数据集，包含图像级和区域级描述，用于细粒度视觉-语言学习
机构 * Changwon National University（昌原国立大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV、cs.AI
AI总结 为解决通用与监控视频领域的混合域图像-描述数据集匮乏问题，构建了包含14万图像、98万图像级描述、174万区域级描述和139万边界框的大规模数据集，通过互补描述类型帮助视觉语言模型学习细粒度视觉属性，并在图像描述和目标检测任务上验证了有效性。
SIMSplat: 面向驾驶场景生成的语言对齐4D高斯泼溅
机构 * Purdue University（普渡大学） ； University of California, Berkeley（加州大学伯克利分校） ； Toyota InfoTech Labs（丰田信息科技实验室）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出SIMSplat，一种基于场景图的4D高斯泼溅框架，通过嵌入语言对齐特征实现自由文本查询、对象级编辑和多智能体仿真，在驾驶场景生成中显著提升定位精度和任务完成率。
当RAG有害：诊断和缓解检索增强LVLMs中的注意力分散
机构 * 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)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文发现检索增强生成（RAG）在LVLMs中导致注意力分散（AD）问题，即检索文本抑制视觉注意力并偏离问题相关区域，提出MAD-RAG方法通过双问题公式和注意力混合来解耦视觉定位与上下文整合，在三个基准上提升性能并纠正大部分失败案例。
Comments 19 pages, 13 figures
APEX: 具有动态数据选择的自动提示工程专家
机构 * Google（谷歌） ； UCLA（加州大学洛杉矶分校）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 提出APEX框架，通过动态数据分层（易、难、混合）优先选择高杠杆子集，在固定预算下提升提示优化效率，在三个基准上平均提升11.2%和6.8%。
AnomSeer: 增强多模态大语言模型进行时间序列异常检测的推理能力
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；MLLM(abstract_cn)；分类 cs.AI、cs.LG
AI总结 提出AnomSeer，通过专家思维链和基于最优传输的时间序列接地策略优化，增强多模态大语言模型在时间序列异常检测中的细粒度推理能力，统一异常分类、定位和解释。
Comments ICML 2026
CaC：通过分层时空聚焦推进视频奖励模型
机构 * BJTU（北京工业大学） ； NTU（国立台湾大学） ； BUPT（北京邮电大学） ； Kuaishou Technology（快手科技）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 提出基于视觉语言模型的粗到细异常奖励模型CaC，通过全局时间扫描、局部空间定位和结构化时空思维链推理，结合大规模生成视频异常数据集和三阶段渐进训练，显著提升细粒度异常检测精度并减少生成视频异常。
Comments 27 pages, 10 figures
CAFD: 使用视觉语言模型的概念感知深度神经网络故障检测
机构 * School of EECS, University of Ottawa（渥太华大学电子工程与计算机科学学院） ； Research Ireland Lero centre for software, University of Limerick（利默尼克大学爱尔兰研究中心）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract_cn)；分类 cs.CV、cs.LG
AI总结 提出概念感知故障检测（CAFD）方法，通过整合模型信号、距离特征和基于视觉语言模型的概念故障比（CFR）特征，在保持效率的同时显著提升DNN故障检测性能。
基于原型的可验证概念模型用于可验证的概念对齐
机构 * Department of Computer Science, KU Leuven（卢森堡大学计算机科学系） ； IBM Research, Zurich（苏黎世IBM研究院）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 本研究提出了一种基于原型的概念模型（PGCMs），通过将概念与学习到的视觉原型关联起来，从而提高概念对齐的可验证性和可解释性，同时保持预测性能。
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
GCE-MIL: 多实例学习中全滑片成像的可信且可恢复的证据
机构 * College of Intelligence and Computing（智能与计算学院）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 该研究提出GCE-MIL方法，通过优化S/N/R标准直接提升多实例学习中全滑片成像的预测性能和证据质量，改进了宏F1分数和C-index，并减少了连续-离散差距。
Comments 10 pages, 17 figures, 24 table
面向细粒度和可验证的概念瓶颈模型
机构 * Bioengineering Department（生物工程部门） ； Imperial-X, Imperial College London, London, UK（帝国理工学院伦敦校区） ； Thoughtworks AI Labs, Singapore（Thoughtworks AI实验室，新加坡）
专题命中 视觉定位与Grounding ：grounding(summary_cn)；分类 cs.AI、cs.LG
AI总结 本文提出细粒度概念瓶颈模型框架，通过局部视觉证据 grounding 每个概念，提升模型透明度与可验证性，实验显示其概念空间信息完整且预测性能优异。
Comments 10 pages, 4 figures
HyperEyes: 双粒度效率感知强化学习用于并行多模态搜索代理
机构 * Xiaohongshu Inc.（小红书公司） ； University of Cambridge（剑桥大学）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 HyperEyes通过双粒度效率感知强化学习，实现并行多模态搜索代理，提升搜索效率与准确性，其在六个基准测试中超越现有开源代理。
Comments Code & Data: https://github.com/DeepExperience/HyperEyes
FraudBench: 一个多模态基准用于检测AI生成的欺诈性退款证据
机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； Alibaba-NTU Global e-Sustainability CorpLab (ANGEL)（阿里巴巴-NTU全球可持续性科技实验室） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出FraudBench，一个用于检测AI生成欺诈性退款证据的多模态基准。通过真实用户评价证据构建，结合图像编辑模型生成伪造证据，并评估不同模型在不同生成器下的性能。
PRPO：用于视觉-语言深度伪造检测的段级策略优化
机构 * Qatar Computing Research Institute, Hamad Bin Khalifa University, Doha, Qatar（卡塔尔计算研究所，哈马德·本·哈利法大学，多哈） ； New Jersey Institute of Technology, NJ, USA（新泽西理工学院）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.LG
AI总结 本文提出PRPO算法，通过段级相对策略优化提升深度伪造检测的准确性与推理能力，实验显示其在检测准确率和推理评分上均显著优于现有方法。
Comments Accepted at ICML 2026
通过开放权重代理分析器的激活进行幻觉检测
机构 * Khoury College of Computer Sciences（科里学院计算机科学学院） ； Northeastern University（东北大学）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 本文提出一种代理分析器框架，通过本地部署的小型开放权重模型检测大语言模型的幻觉，采用变压器文本处理特性构建18种特征，并在多个模型架构上训练堆叠集成模型，最终在RAGTruth数据集上取得优于ReDeEP的AUC和F1分数。
Comments 12 pages, 4 figures. Code available at https://github.com/hallu-detect/llm_hallucination_detection
SteelDefectX：一种用于钢铁表面缺陷分析的多形式视觉-语言数据集和基准
机构 * Southeast University（东南大学） ； Purple Mountain Laboratories（紫金山实验室） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SteelDefectX数据集，包含7778张图像和25种缺陷类别，提供多形式文本标注，涵盖视觉-语言分类、分割及跨数据集迁移等任务，揭示文本设计对工业视觉-语言学习的重要性。
基于模型的主动成本生成：用于在有限违规数据下学习安全策略
机构 * National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； Polixir Technologies Nanjing, China（南京Polixir科技有限公司） ； Tencent Game AI Center Shenzhen, China（腾讯深圳游戏AI中心）
专题命中 视觉定位与Grounding ：grounding(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 本文提出PROCO框架，利用大语言模型整合自然语言知识，通过构建保守成本函数和模型基于的模拟，减少约束违规并提升安全性，适用于离线数据中极少或无违规样本的高风险场景。
缓解位置编码失效导致的坐标预测偏差
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； The University of Queensland（昆士兰大学） ； Shanghai University of Finance and Economics（上海财经大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出VPSG方法，通过shuffle位置编码纠正坐标偏移，提升定位精度，无需重新训练。
LoFi：面向胸部X光的基于位置的细粒度表示学习
机构 * The University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所）
专题命中 视觉定位与Grounding ：vision language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出LoFi，通过联合优化sigmoid、标注和位置感知标注损失，提升胸部X光的检索和短语接地性能，实验表明在MIMIC-CXR和PadChest-GR数据集上表现优异。
IVY-FAKE：图像和视频AIGC检测的统一可解释框架和基准
机构 * Nanjing University+（南京大学+）
专题命中 视觉定位与Grounding ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出IVY-FAKE，首个大规模多模态可解释AIGC检测基准，包含106000+丰富标注样本和5000个手动验证示例，通过GRPO强化学习模型实现可解释推理，提升多基准检测性能，显著优于现有方法。
Comments 30 pages
ADAPT：在未指定 affordance 约束下评估常识规划的基准测试
机构 * National Taiwan University（国立台湾大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； National Tsing Hua University（国立清华大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出 ADAPT 模块，通过显式 affordance 推理提升智能具身代理的鲁棒性和任务成功率，展示了领域适应的视觉语言模型在 affordance 推理中的优越性。
觉醒失明：为基于视觉感知的代理轨迹进行无监督的冷启动优化
机构 * Indian Institute of Technology Delhi（印度理工学院德里） ； Indian Institute of Technology Abu Dhabi（印度理工学院阿布扎比） ； Microsoft Research（微软研究院）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出SPECTRA框架，通过冷启动强化学习提升小视觉语言模型的视觉鲁棒性和工具协调能力，无需监督即可提高任务准确性和工具效率。
Comments ACL 2026 Findings
将生成器转化为检索器：解锁多模态大语言模型用于自然语言引导的地理定位
机构 * Vermont Artificial Intelligence Lab, Department of Computer Science, University of Vermont（佛蒙特大学计算机科学系佛蒙特人工智能实验室） ； Intelligent Machines Lab, Department of Artificial Intelligence, Information Technology University（信息技术大学人工智能系智能机器实验室） ； Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出一种简单有效的框架，通过参数高效微调将多模态大语言模型应用于自然语言引导的地理定位，实现强大的跨模态对齐，取得GeoText-1652的SOTA结果，并在CVG-Text的5个子任务中表现优异。
Comments CVPRF
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