VLM-Loc: Localization in Point Cloud Maps via Vision-Language Models
基于视觉-语言模型的点云地图定位
AI总结 VLM-Loc通过视觉-语言模型的空间推理能力，实现了更准确的文本到点云定位，提升了复杂环境中的定位鲁棒性。
Comments CVPR 2026
期刊&会议
CVPR
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
VarSplat: Uncertainty-aware 3D Gaussian Splatting for Robust RGB-D SLAM
VarSplat: 一种具有不确定性的3D高斯点划法用于鲁棒的RGB-D SLAM
机构 * Department of Computer Science（计算机科学系）
AI总结 VarSplat通过显式学习每个点划的外观方差，提升RGB-D SLAM的鲁棒性和稳定性，实现更可靠的跟踪与建图。
Comments Accepted to CVPR 2026
ParTY: Part-Guidance for Expressive Text-to-Motion Synthesis
ParTY: 部分引导用于表达性文本到运动合成
机构 * Kyung Hee University（庆熙大学）
AI总结 ParTY通过部分引导网络、部分感知文本定位和整体-部分融合，提升文本到运动合成中部分表现力和动作连贯性。
Comments Accepted by CVPR 2026. Code: https://github.com/VisualScienceLab-KHU/ParTY
BinaryAttention: One-Bit QK-Attention for Vision and Diffusion Transformers
BinaryAttention: 一比特QK-注意力用于视觉和扩散变换器
机构 * The Hong Kong Polytechnic University（香港理工大学） ； OPPO Research Institute（OPPO研究院）
AI总结 BinaryAttention通过1比特QK-注意力实现视觉和扩散变换器的高效加速，有效提升计算效率并保持准确性。
Comments Accepted by CVPR 2026
Reviving ConvNeXt for Efficient Convolutional Diffusion Models
复兴 ConvNeXt 以实现高效的卷积扩散模型
机构 * KAIST（韩国科学技术院） ； ETH Zürich（苏黎世联邦理工学院） ； ISTI-CNR（意大利国家研究理事会信息与自动化研究所） ； University of Pisa（比萨大学）
AI总结 本文提出全卷积扩散模型 FCDM-XL，通过使用 ConvNeXt 结构实现高效扩散模型，以更少的 FLOPs 和训练步骤达到与 DiT-XL 相当的性能。
Comments CVPR 2026. Official implementation: https://github.com/star-kwon/FCDM
Speeding Up the Learning of 3D Gaussians with Much Shorter Gaussian Lists
用更短的高斯列表加速3D高斯学习
机构 * Machine Perception Lab, Wayne State University（机器感知实验室，韦恩州立大学）
AI总结 通过缩短高斯列表提升3D高斯学习效率，采用尺度重置和熵约束优化渲染效率。
Comments Accepted to CVPR 2026. Project page: https://github.com/MachinePerceptionLab/ShorterSplatting
Implicit Geometry Representations for Vision-and-Language Navigation from Web Videos
从网络视频中隐式几何表示的视觉-语言导航
机构 * Department of Computer Vision, Mohamed Bin Zayed University of Artificial Intelligence（计算机视觉系，Mohamed Bin Zayed人工智能大学） ； School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学） ； Shenzhen Campus of Sun Yat-Sen University（中山大学深圳校区）
AI总结 本研究提出基于网络视频的隐式几何表示方法，用于视觉-语言导航，通过提升数据利用率和鲁棒性，实现更广泛的应用。
Comments Extension of CVPR 2025 RoomTour3D with implicit geometric representations
Point Cloud as a Foreign Language for Multi-modal Large Language Model
点云作为多模态大语言模型的外语
机构 * Concordia University（康科迪亚大学）
AI总结 SAGE是首个端到端3D多模态大语言模型，通过轻量级3D分词器直接处理点云，提升3D任务的推理能力与鲁棒性。
Comments Accepted in The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026
X-AVDT: Audio-Visual Cross-Attention for Robust Deepfake Detection
X-AVDT：用于鲁棒深度伪造检测的音频视觉交叉注意力
机构 * Visual Media Lab, KAIST（韩国科学技术院视觉媒体实验室）
AI总结 X-AVDT通过利用生成器内部的音频视觉一致性线索，提出了一种鲁棒且具有通用性的深度伪造检测方法，有效提升了检测性能。
Journal ref CVPR 2026
VirtueBench: Evaluating Trustworthiness under Uncertainty in Long Video Understanding
VirtueBench: 在长视频理解中评估在不确定性下的可信度
AI总结 VirtueBench通过评估模型在不确定性下的可信度，揭示了长视频理解中模型拒绝行为的差异及可靠性问题。
Comments Accepted to CVPR 2026
Taming Preference Mode Collapse via Directional Decoupling Alignment in Diffusion Reinforcement Learning
通过方向解耦对齐缓解偏好模式崩溃在扩散强化学习中
机构 * Tsinghua University（清华大学） ； AMAP, Alibaba Group（阿里云实验室，阿里巴巴集团）
AI总结 本文提出D²-Align框架，通过方向解耦对齐缓解扩散强化学习中的偏好模式崩溃，提升生成多样性。
Comments Accepted by CVPR 2026
When Robots Obey the Patch: Universal Transferable Patch Attacks on Vision-Language-Action Models
当机器人服从补丁：对视觉-语言-动作模型的通用可转移补丁攻击
机构 * ROSE Lab, Interdisciplinary Graduate Programme, Nanyang Technological University（罗思实验室，跨学科研究生项目，南洋理工大学） ； ROSE Lab, School of Electrical and Electronic Engineering, Nanyang Technological University（罗思实验室，电子与电气工程学院，南洋理工大学） ； CCDS, Nanyang Technological University（CCDS，南洋理工大学） ； DSO National Laboratories（国防科学局实验室）
AI总结 本文提出UPA-RFAS框架，通过鲁棒特征、注意和语义方法，实现对视觉-语言-动作模型的通用可转移补丁攻击，揭示了基于补丁的攻击面并为未来防御提供基线。
Comments Accepted by CVPR 2026
V-Attack: Targeting Disentangled Value Features for Controllable Adversarial Attacks on LVLMs
V-Attack：针对解耦价值特征的可控对抗攻击LVLMs
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院人工智能安全国家重点实验室，计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhejiang University（浙江大学）
AI总结 V-Attack通过精准操控LVLMs中的价值特征，提升对抗攻击的成功率，揭示视觉语言理解的关键漏洞。
Comments Accepted by CVPR 2026
SPAN: Spatial-Projection Alignment for Monocular 3D Object Detection
SPAN: 用于单目3D目标检测的空间-投影对齐
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； School of Mathematics and Statistics, University of Glasgow（格拉斯哥大学数学与统计学学院） ； Basic Algorithm Center, PCG, Tencent（腾讯计算机系统有限公司基础算法中心）
AI总结 SPAN通过空间点对齐和3D-2D投影对齐解决单目3D目标检测中几何一致性不足的问题，提升检测性能。
Comments Accepted by CVPR 2026
LLaVAShield: Safeguarding Multimodal Multi-Turn Dialogues in Vision-Language Models
LLaVAShield: 保障视觉语言模型中的多模态多轮对话安全
机构 * Southeast University（东南大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Zhejiang University of Technology（浙江工业大学） ； Tsinghua University（清华大学） ； RealAI
AI总结 LLaVAShield通过构建MMDS数据集和MMRT框架，有效提升多模态多轮对话的安全性，优于现有VLMs和内容审查工具，揭示了主流模型的安全漏洞。
Comments Accepted to CVPR 2026
Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score
半监督置信预测与未标记非一致性评分
机构 * Southern University of Science and Technology（南方科技大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Shenzhen Loop Area Institute（深圳河套学院）
AI总结 本文提出SemiCP，通过结合标记和未标记数据提升置信预测的覆盖性能，实验表明在有限标记数据下可显著降低覆盖差距。
Comments Accept by CVPR 2026
The MVTec AD 2 Dataset: Advanced Scenarios for Unsupervised Anomaly Detection
MVTec AD 2数据集：面向无监督异常检测的高级场景
AI总结 MVTec AD 2数据集提供8000张高分辨率图像，包含工业检测中未被考虑的挑战性场景，用于评估无监督异常检测方法的性能和鲁棒性。
Comments paper under review; dataset first released for the VAND3.0 challenge @ CVPR 2025 https://sites.google.com/view/vand30cvpr2025/challenge
TIMotion: Temporal and Interactive Framework for Efficient Human-Human Motion Generation
TIMotion: 时空交互框架用于高效的人机运动生成
机构 * Zhejiang University（浙江大学） ； Youtu Lab, Tencent（腾讯优图实验室） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 TIMotion提出一种高效框架，通过因果交互注入、角色演变扫描和局部模式放大，实现高效的人类交互运动生成。
Comments Accepted to CVPR 2025. Project page: https://aigc-explorer.github.io/TIMotion-page/
Vision-Language Models Encode Clinical Guidelines for Concept-Based Medical Reasoning
视觉-语言模型编码临床指南以实现基于概念的医学推理
机构 * Queen’s University（女王大学） ； University of British Columbia（不列颠哥伦比亚大学） ； McMaster University（麦马斯特大学） ； Vector Institute（向量研究所）
AI总结 MedCBR通过整合临床指南与视觉-语言模型，提升医学影像诊断的可解释性和决策支持能力。
Comments CVPR 2026 Findings
