ETH Zurich（苏黎世联邦理工学院）

Unveiling the Visual Counting Bottleneck in Vision-Language Models

揭示视觉语言模型中的视觉计数瓶颈

Xingzhou Pang, Yifan Hou, Junling Wang, Mrinmaya Sachan

机构 * Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 通过分解视觉计数为三个认知阶段，发现视觉语言模型在符号映射阶段失败，提出断裂数量假说：模型学习到分离的模态特定统计流形，无法实现跨模态对齐。

Comments ICML 2026

EgoExoMem: Cross-View Memory Reasoning over Synchronized Egocentric and Exocentric Videos

EgoExoMem: 跨视角记忆推理 over 同步的自身视角和外部视角视频

Ruiping Liu, Junwei Zheng, Yufan Chen, Di Wen, Shaofang Quan, Chengzhi Wu, Jiaming Zhang, Kailun Yang, Kunyu Peng, Rainer Stiefelhagen

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； University of Oxford（牛津大学） ； Hunan University（湖南大学） 纠错

AI总结 本文提出EgoExoMem，首个跨视角记忆推理基准，通过同步自身视角和外部视角视频进行跨视角记忆推理，利用E$^2$-Select方法实现高效的帧选择，实验表明自身和外部视角提供互补的记忆线索，但现有模型在基准测试中表现有限。

Comments The source code and dataset can be found at https://github.com/RuipingL/EgoExoMem

MegaFlow: Zero-Shot Large Displacement Optical Flow

MegaFlow：零样本大位移光流

Dingxi Zhang, Fangjinhua Wang, Marc Pollefeys, Haofei Xu

机构 * ETH Zurich（苏黎世联邦理工学院） ； Microsoft（微软） ； University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） 纠错

AI总结 MegaFlow通过预训练视觉先验解决大位移零样本光流问题，利用全局Vision Transformer实现全局匹配，结合轻量迭代优化提升精度，实验显示其在多个光流基准和长距离点跟踪任务中表现优异。

Comments [ECCV 2026] Project Page: https://kristen-z.github.io/projects/megaflow Code: https://github.com/cvg/megaflow

What if? Emulative Simulation with World Models for Situated Reasoning

如果呢？基于世界模型的仿真模拟用于情境推理

Ruiping Liu, Yufan Chen, Yuheng Zhang, Junwei Zheng, Kunyu Peng, Chengzhi Wu, Chenguang Huang, Di Wen, Jiaming Zhang, Kailun Yang, Rainer Stiefelhagen

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Hunan University（湖南大学） ； ETH Zürich（苏黎世联邦理工学院） ； INSAIT, Sofia University ``St. Kliment Ohridski''（INSAIT，索菲亚大学『圣克莱门特·奥赫里迪斯』） ； RAI Institute（RAI研究所） 纠错

AI总结 提出WanderDream数据集，利用世界模型进行心理探索的仿真模拟，使代理无需主动探索即可回答空间假设问题，实验证明心理探索对情境推理至关重要。

Comments Accepted at ECCV 2026. The data and code are available at: https://github.com/RuipingL/WanderDream

GrandTour: A Legged Robotics Dataset in the Wild for Multi-Modal Perception and State Estimation

GrandTour: 一种用于多模态感知与状态估计的野外腿式机器人数据集

Turcan Tuna, Jonas Frey, Frank Fu, Katharine Patterson, Tianao Xu, Maurice Fallon, Cesar Cadena, Marco Hutter

机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（伯克利大学） ； Oxford University（牛津大学） 纠错

AI总结 GrandTour数据集为多模态感知与状态估计提供了大规模野外腿式机器人数据，支持SLAM和高精度状态估计的研究与开发。

Comments Turcan Tuna, and Jonas Frey contributed equally. Submitted to Sage The International Journal of Robotics Research

ROAD-Waymo: A Large-Scale Action Awareness Dataset for Autonomous Driving

ROAD-Waymo：一个用于自动驾驶的大规模动作感知数据集

Salman Khan, Izzeddin Teeti, Reza Javanmard Alitappeh, Mihaela C. Stoian, Eleonora Giunchiglia, Gurkirt Singh, Andrew Bradley, Fabio Cuzzolin

机构 * Oxford Brookes University（奥克斯福德布鲁克斯大学） ； MAZUST ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出ROAD-Waymo数据集，用于道路场景中代理、动作等检测技术开发与基准测试，比现有数据集更大更具挑战性，含大量标注数据，通过新注释管道增强完整性，还能解决不同国家道路场景的域适应问题。