CVPR - arXivDaily 期刊&会议

2601.06874 2026-04-01 cs.CV

MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation

MVGGT：多模态视觉几何 grounded 变换器用于多视角3D指称表达分割

Changli Wu, Haodong Wang, Jiayi Ji, Yutian Yao, Chunsai Du, Jihua Kang, Yanwei Fu, Liujuan Cao

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（厦门大学多媒体可信感知与高效计算教育部重点实验室）； Shanghai Innovation Institute（上海创新研究院）； Fudan University（复旦大学）； ByteDance（字节跳动）； Tianjin University of Science and Technology（天津科技大学）

AI总结本文提出MVGGT，一种高效的端到端框架，通过双分支设计将语言信息整合到稀疏视角的几何推理中，解决稀疏视角下的优化障碍，建立首个强基线，实现高精度和快速推理。

Comments Accepted to CVPR 2026; Project Website: https://mvggt.github.io/

2601.02536 2026-04-01 cs.CV

MovieRecapsQA: A Multimodal Open-Ended Video Question-Answering Benchmark

MovieRecapsQA: 一种多模态开放式视频问答基准

Shaden Shaar, Bradon Thymes, Sirawut Chaixanien, Claire Cardie, Bharath Hariharan

机构 * Cornell University（康奈尔大学）

AI总结本文提出MovieRecapsQA基准，通过电影回顾视频生成8200个开放式问题及事实，构建无参考评估指标，评估多模态能力，发现视觉感知是主要瓶颈。

Comments CVPR 2026

2512.24176 2026-04-01 cs.CV cs.LG

Guiding a Diffusion Transformer with the Internal Dynamics of Itself

通过自身内部动态引导扩散变换器

Xingyu Zhou, Qifan Li, Xiaobin Hu, Hai Chen, Shuhang Gu

机构 * University of Electronic Science and Technology of China（电子科技大学）； National University of Singapore（新加坡国立大学）； Sun Yat-sen University（中山大学）； North China Institute of Computer Systems Engineering（华北计算机系统工程研究所）

AI总结本文提出内部引导策略，通过训练过程中中间层的辅助监督和采样时的中间层输出扩展，提升训练效率和生成质量，在ImageNet上取得显著效果。

Comments Accepted to CVPR 2026. Project Page: https://zhouxingyu13.github.io/Internal-Guidance/

2512.17320 2026-04-01 cs.CV

EMMA: Concept Erasure Benchmark with Comprehensive Semantic Metrics and Diverse Categories

EMMA：具有综合语义度量和多样类别的概念擦除基准

Lu Wei, Yuta Nakashima, Noa Garcia

机构 * The University of Osaka（大阪大学）

AI总结 EMMA通过13项指标评估五种概念擦除方法，揭示其在隐含提示和视觉相似非目标概念下的鲁棒性问题，发现部分方法加剧性别和种族偏见。

Comments Accepted by CVPR 2026

2512.10938 2026-04-01 cs.LG cs.AI cs.CL cs.CV

Stronger Normalization-Free Transformers

更强的无归一化变换器

Mingzhi Chen, Taiming Lu, Jiachen Zhu, Mingjie Sun, Zhuang Liu

机构 * Princeton University（普林斯顿大学）； New York University（纽约大学）； Carnegie Mellon University（卡内基梅隆大学）

AI总结本文提出Derf函数，通过大规模搜索找到更有效的归一化替代方案，其在视觉识别、语音表示和DNA序列建模中均优于LayerNorm、RMSNorm和DyT。

Comments Published in CVPR 2026

2512.10805 2026-04-01 cs.LG cs.CV

Interpretable and Steerable Concept Bottleneck Sparse Autoencoders

可解释且可操控的概念瓶颈稀疏自编码器

Akshay Kulkarni, Tsui-Wei Weng, Vivek Narayanaswamy, Shusen Liu, Wesam A. Sakla, Kowshik Thopalli

机构 * University of California, San Diego（加州大学圣迭戈分校）； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）

AI总结本文提出CB-SAE框架，通过剪枝低效神经元和增加概念瓶颈提升LVLMs和图像生成任务的可解释性和可操控性，效果提升分别为32.1%和14.5%。

Comments CVPR 2026

2512.05597 2026-04-01 cs.CV

Fast SceneScript: Fast and Accurate Language-Based 3D Scene Understanding via Multi-Token Prediction

快速场景脚本：通过多令牌预测实现高效准确的语言基3D场景理解

Ruihong Yin, Xuepeng Shi, Oleksandr Bailo, Marco Manfredi, Theo Gevers

机构 * Qualcomm XR Labs（高通XR实验室）； University of Amsterdam（阿姆斯特丹大学）

AI总结本文提出Fast SceneScript，通过多令牌预测和自适应解码方法，在保持精度的同时提升3D场景理解的推理速度，实验表明其在合成和真实数据集上表现优异。

Comments Accepted to CVPR 2026

2511.22715 2026-04-01 cs.CV cs.AI cs.CL cs.MM

ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering

ReAG：基于推理的生成用于基于知识的视觉问答

Alberto Compagnoni, Marco Morini, Sara Sarto, Federico Cocchi, Davide Caffagni, Marcella Cornia, Lorenzo Baraldi, Rita Cucchiara

机构 * University of Modena and Reggio Emilia（摩德纳大学和雷焦艾米利亚大学）； University of Pisa（比萨大学）

AI总结 ReAG通过结合粗粒度和细粒度检索及批评模型过滤无关信息，提升知识密集型视觉问答的准确性和可解释性。

Comments CVPR 2026 - Project page: https://aimagelab.github.io/ReAG/

2511.00524 2026-04-01 cs.CV

Text-guided Fine-Grained Video Anomaly Understanding

基于文本引导的细粒度视频异常理解

Jihao Gu, Kun Li, He Wang, Kaan Akşit

机构 * University College London（伦敦大学学院）； CVLab, College of Information Technology, United Arab Emirates University（阿联酋大学信息技术学院计算机视觉实验室）

AI总结本文提出T-VAU框架，通过多模态推理提取细粒度视频异常证据，结合Anomaly Heatmap Decoder和Region-aware Anomaly Encoder提升异常检测与解释能力。

Comments Accepted by CVPR 2026 SVC Workshop

2510.23043 2026-04-01 cs.CV

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）

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/

2509.10388 2026-04-01 cs.CV

VT-Intrinsic: Physics-Based Decomposition of Reflectance and Shading using a Single Visible-Thermal Image Pair

VT-Intrinsic: 基于物理的单可见-热图像对的反光与阴影分解

Zeqing Yuan, Mani Ramanagopal, Aswin C. Sankaranarayanan, Srinivasa G. Narasimhan

机构 * Carnegie Mellon University（卡内基梅隆大学）

AI总结本文提出一种基于物理的单可见-热图像对的反光与阴影分解方法，通过利用热成像仪检测吸收的热量来关联可见和热图像的强度顺序，实现反光和阴影的自监督恢复。

Comments Accepted by CVPR 2026. Project webpage: https://vt-intrinsic.github.io/

2508.12692 2026-04-01 cs.CV cs.AI cs.LG

Multi-Level Knowledge Distillation and Dynamic Self-Supervised Learning for Continual Learning

多级知识蒸馏与动态自监督学习用于持续学习

Taeheon Kim, San Kim, Minhyuk Seo, Dongjae Jeon, Wonje Jeung, Jonghyun Choi

机构 * Yonsei University（延世大学）； Seoul National University（首尔大学）

AI总结本文提出多级知识蒸馏和动态自监督学习，用于解决持续学习中的类别增量问题，通过利用未标记数据提升模型稳定性与可塑性，实验显示在CVPR CLVISION挑战中取得第二名。

Comments 2nd Place in Class-Incremental with Repetition (CIR) using Unlabeled Data Challenge at 5th CLVISION workshop, CVPR 2024

2506.09082 2026-04-01 cs.CV cs.AI cs.LG

AVA-Bench: Atomic Visual Ability Benchmark for Vision Foundation Models

AVA-Bench：用于视觉基础模型的原子视觉能力基准

Zheda Mai, Arpita Chowdhury, Zihe Wang, Sooyoung Jeon, Lemeng Wang, Jiacheng Hou, Wei-Lun Chao

机构 * The Ohio State University（俄亥俄州立大学）； Adobe Research（Adobe研究院）； Boston University（波士顿大学）

AI总结 AVA-Bench通过解耦14种原子视觉能力，揭示视觉基础模型的性能差异，提升模型选择的科学性与效率。

Comments Accepted by CVPR 2026. The first two authors contribute equally

2312.04466 2026-04-01 cs.CV

Emotional Speech-driven 3D Body Animation via Disentangled Latent Diffusion

基于解耦潜在扩散的情感语音驱动3D人体动画

Kiran Chhatre, Radek Daněček, Nikos Athanasiou, Giorgio Becherini, Christopher Peters, Michael J. Black, Timo Bolkart

机构 * KTH Royal Institute of Technology, Sweden（瑞典皇家理工学院）； Max Planck Institute for Intelligent Systems, Germany（德国马克斯·普朗克智能系统研究所）

AI总结本文提出AMUSE模型，通过解耦潜在向量实现情感语音驱动的3D人体动画生成，能控制情绪和风格，生成更符合语音内容且表现更真实的情绪动作序列。

Comments Conference on Computer Vision and Pattern Recognition (CVPR) 2024. Webpage: https://amuse.is.tue.mpg.de/