CVPR

Conflated Inverse Modeling to Generate Diverse and Temperature-Change Inducing Urban Vegetation Patterns

融合反演建模生成多样且能引起温度变化的城区植被模式

Baris Sarper Tezcan, Hrishikesh Viswanath, Rubab Saher, Daniel Aliaga

机构 * Computer Science（计算机科学） ； Forestry and Natural Resources（林业与自然资源） 纠错

AI总结 本文提出融合预测正模与扩散基生成反模的反演框架，用于生成多样且符合特定温度目标的城区植被模式，解决传统方法在数据稀少时无法捕捉模糊性的不足。

Comments Accepted to the CVPR 2026 EarthVision Workshop

Don't Show Pixels, Show Cues: Unlocking Visual Tool Reasoning in Language Models via Perception Programs

不要显示像素，显示提示：通过感知程序解锁语言模型中的视觉工具推理

Muhammad Kamran Janjua, Hugo Silva, Di Niu, Bahador Rashidi

机构 * Huawei Technologies, Canada（华为技术（加拿大）） ； University of Alberta, Canada（阿尔伯塔大学（加拿大）） 纠错

AI总结 本文提出感知程序（P²），通过将视觉工具输出转换为结构化摘要，提升语言模型的视觉推理能力，在六个任务中均取得显著提升。

Comments Accepted to CVPR 2026

Representing 3D Faces with Learnable B-Spline Volumes

用可学习的B样条体积表示3D人脸

Prashanth Chandran, Daoye Wang, Timo Bolkart

机构 * Google（谷歌） 纠错

AI总结 本文提出CUBE方法，结合B样条体积与学习特征，用于3D扫描配准和单目3D人脸重建，通过高维控制特征提升模型表达能力，实现局部表面编辑。

Comments Accepted to CVPR 2026 (Highlight)

Generative Anonymization in Event Streams

事件流中的生成匿名化

Adam T. Müller, Mihai Kocsis, Nicolaj C. Stache

机构 * Heilbronn University of Applied Sciences（海德堡应用科学大学） 纠错

AI总结 本文提出首个事件流生成匿名化框架，通过桥接异步事件与标准空间生成模型，实现隐私保护与数据效用的平衡。

Comments Accepted to the 1st Workshop on Low-Level Vision Frontiers (LoViF) at IEEE/CVF CVPR 2026

A Dataset and Evaluation for Complex 4D Markerless Human Motion Capture

一个用于复杂4D无标记人体运动捕捉的 数据集和评估

Yeeun Park, Miqdad Naduthodi, Suryansh Kumar

机构 * Visual and Spatial AI Lab（视觉与空间人工智能实验室） ； VCCM Section College of PVFA（VCCM学院物理与虚拟现实学院） ； Department of ECEN（电子工程系） ； Department of CSCE（计算机科学与工程系） ； Texas A&M University（德克萨斯农工大学） 纠错

AI总结 本文提出一个复杂4D无标记人体运动捕捉的数据集和评估，包含单人和多人场景，涵盖复杂运动、频繁人与人遮挡、快速位置交换和不同距离变化，验证了现有方法在真实条件下的性能不足。

Comments 14 pages, 11 figures, 4 tables. Accepted for publication at CVPR 2026 4D World Models Workshop

ARGOS: Who, Where, and When in Agentic Multi-Camera Person Search

ARGOS：智能多摄像机人像搜索中的谁、哪里和何时

Myungchul Kim, Kwanyong Park, Junmo Kim, In So Kweon

机构 * KAIST（韩国科学技术院） ； University of Seoul（首尔大学） ； KIST（韩国科学技术院） 纠错

AI总结 ARGOS首次将多摄像机人像搜索转化为交互推理问题，通过智能体在信息不对称下规划、提问和消除候选，包含14个真实场景的2691个任务，实验表明该基准远未解决。

Comments Accepted to CVPR 2026 Workshop on Multimodal Spatial Intelligence (MUSI)

Monte Carlo Stochastic Depth for Uncertainty Estimation in Deep Learning

蒙特卡罗随机深度用于深度学习中的不确定性估计

Adam T. Müller, Tobias Rögelein, Nicolaj C. Stache

机构 * Heilbronn University of Applied Sciences（海德堡应用科学大学） 纠错

AI总结 本文提出蒙特卡罗随机深度（MCSD）作为贝叶斯近似推断的理论框架，并在目标检测任务中验证其有效性，展示其在预测准确性、校准和不确定性排名上的优势。

Comments Accepted to the 8th Safe Artificial Intelligence for All Domains (SAIAD) workshop at IEEE/CVF CVPR 2026

Cross-Modal Knowledge Distillation for PET-Free Amyloid-Beta Detection from MRI

跨模态知识蒸馏用于无PET的MRI淀粉样蛋白β检测

Francesco Chiumento, Julia Dietlmeier, Ronan P. Killeen, Kathleen M. Curran, Noel E. O'Connor, Mingming Liu

机构 * Dublin City University（都柏林城市大学） ； Insight Research Ireland Centre for Data Analytics（爱尔兰Insight研究数据分析师中心） ； St. Vincent’s University Hospital（圣文森医院） ； University College Dublin（都柏林大学） 纠错

AI总结 本文提出一种基于BiomedCLIP的跨模态知识蒸馏框架，利用MRI单独预测淀粉样蛋白β，无需PET或临床变量，实现了可解释的无PET检测方法。

Comments Accepted to CVPR Workshops 2026 (PHAROS-AIF-MIH)

LoViF 2026 The First Challenge on Weather Removal in Videos

LoViF 2026：视频天气去除的第一个挑战

Chenghao Qian, Xin Li, Yeying Jin, Shangguan Sun, Yilian Zhong, Yuxiang Chen, Shibo Yin, Yushun Fang, Xilei Zhu, Yahui Wang, Chen Lu, Ying Fu, Jianan Tian, Jifan Zhang, Chen Zhou, Junyang Jiang, Yuping Sun, Zhuohang Shi, Xiaojing Liu, Jiao Liu, Yatong Zhou, Shuai Liu, Qiang Deng, Jiajia Mi, Qianhao Luo, Weiling Li

AI总结 本文介绍了LoViF 2026挑战，旨在通过恢复受雨雪等恶劣天气影响的清晰视频，提升视频恢复的鲁棒性和真实感，引入了新的短格式WRV数据集。

Comments CVPR Workshop Challenge Report

Do vision models perceive illusory motion in static images like humans?

视觉模型是否像人类一样感知静态图像中的错觉运动？

Isabella Elaine Rosario, Fan L. Cheng, Zitang Sun, Nikolaus Kriegeskorte

机构 * Columbia University（哥伦比亚大学） ； Kyoto University（京都大学） 纠错

AI总结 研究评估了多种光流模型在Rotating Snakes illusion中的表现，发现大多数模型无法生成与人类感知一致的流场，仅人类启发的Dual-Channel模型在模拟眼跳条件下表现出预期的旋转运动。

Comments Accepted to CVPR 2026 Findings

Vision Transformers Need More Than Registers

视觉变换器需要更多的寄存器

Cheng Shi, Yizhou Yu, Sibei Yang

机构 * School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学） ； Sun Yat-sen University（中山大学） 纠错

AI总结 本文通过系统分析发现视觉变换器的 artifacts 来源于懒惰聚合行为，通过选择性整合 patch 特征提升性能。

Comments Accepted by CVPR 2026

MODIX: A Training-Free Multimodal Information-Driven Positional Index Scaling for Vision-Language Models

MODIX：一种无需训练的多模态信息驱动的位置索引缩放

Ruoxiang Huang, Zhen Yuan

机构 * Peking University（北京大学） 纠错

AI总结 MODIX通过动态调整位置步长，基于模态特定贡献优化多模态模型的位置编码，提升多模态推理能力。

Comments Accepted by CVPR 2026 (Highlight). 10 pages, 2 figures, 5 tables

SEATrack: Simple, Efficient, and Adaptive Multimodal Tracker

SEATrack: 简单、高效且自适应的多模态跟踪器

Junbin Su, Ziteng Xue, Shihui Zhang, Kun Chen, Weiming Hu, Zhipeng Zhang

机构 * School of Artificial Intelligence (School of Software), Yanshan University（燕山大学人工智能学院（软件学院）） ； School of Software, Beihang University（北航软件学院） ； Hebei Key Laboratory of Computer Virtual Technology and System Integration（河北省计算机虚拟技术与系统集成重点实验室） ； State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS), CASIA（多模态人工智能系统国家重点实验室（MAIS），CASIA） ； School of Artificial Intelligence, UCAS（中国科学院大学人工智能学院） ； AutoLab, School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院自动化实验室） 纠错

AI总结 SEATrack通过跨模态对齐和层次混合专家机制，在RGB-T、RGB-D和RGB-E跟踪任务中实现性能与效率的平衡。

Comments Accepted as a CVPR 2026 Oral

Dual-Modality Anchor-Guided Filtering for Test-time Prompt Tuning

双模锚引导过滤用于测试时提示微调

Jungwon Choi, Eunwoo Kim

机构 * School of Computer Science and Engineering, Chung-Ang University（Chung-Ang大学计算机科学与工程学院） 纠错

AI总结 本文提出双模锚引导框架，通过语义证据指导视图选择，结合文本和图像锚点进行过滤和集成，提升测试时提示微调的鲁棒性。

Comments Accepted by CVPR 2026 findings

Chain-of-Models Pre-Training: Rethinking Training Acceleration of Vision Foundation Models

模型链预训练：重新思考视觉基础模型的训练加速

Jiawei Fan, Shigeng Wang, Chao Li, Xiaolong Liu, Anbang Yao

机构 * Intel Labs China（英特尔中国实验室） ； iMotion Automotive Technology（iMotion汽车技术） 纠错

AI总结 本文提出Chain-of-Models Pre-Training方法，通过模型链实现视觉基础模型的高效训练，提升性能并降低成本，验证于45个数据集。

Comments This work is accepted to CVPR 2026. Code is available at https://github.com/deep-optimization/CoM-PT

OmniFood8K: Single-Image Nutrition Estimation via Hierarchical Frequency-Aligned Fusion

OmniFood8K：通过层次化频率对齐融合实现单图像营养估计

Dongjian Yu, Weiqing Min, Qian Jiang, Xing Lin, Xin Jin, Shuqiang Jiang

机构 * School of Software, Yunnan University, China（云南大学软件学院，中国） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences, China（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，中国） ； University of Chinese Academy of Sciences, China（中国科学院大学，中国） 纠错

AI总结 本文提出OmniFood8K数据集和端到端框架，通过频率对齐融合模块提升单图像营养预测精度，解决中餐营养估计不足和深度传感器限制问题。

Comments Accepted by CVPR 2026 (Highlight Paper)

Detecting Precise Hand Touch Moments in Egocentric Video

在第一人称视频中精确检测手触时刻

Huy Anh Nguyen, Feras Dayoub, Minh Hoai

机构 * Australian Institute for Machine Learning（澳大利亚机器学习研究所） ； Adelaide University（阿德莱德大学） 纠错

AI总结 本文提出HiCE模块和TouchMoment数据集，通过时空特征和跨注意力机制提升手触检测精度，实验显示在严格评估标准下，方法在平均精度上优于现有基线16.91%。

Comments Accepted to CVPR Findings 2026

Towards Realistic and Consistent Orbital Video Generation via 3D Foundation Priors

通过3D基础先验实现逼真且一致的轨道视频生成

Rong Wang, Ruyi Zha, Ziang Cheng, Jiayu Yang, Pulak Purkait, Hongdong Li

机构 * Australian National University（澳大利亚国立大学） ； Amazon（亚马逊） 纠错

AI总结 本文提出利用3D基础生成模型的丰富形状先验作为辅助约束，以生成几何逼真且一致的轨道视频，通过多尺度latent特征提升生成效率和形状真实感。

Comments Accepted to CVPR 2026

BarbieGait: An Identity-Consistent Synthetic Human Dataset with Versatile Cloth-Changing for Gait Recognition

BarbieGait: 一种具有多功能衣物变换的恒定身份合成人类数据集用于步态识别

Qingyuan Cai, Saihui Hou, Xuecai Hu, Yongzhen Huang

机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； AMAP, Alibaba Group（阿里集团AMAP） 纠错

AI总结 本文提出BarbieGait数据集，通过虚拟引擎模拟衣物变换以保持步态身份信息，提出GaitCLIF模型提升跨衣物步态识别性能，推动相关研究进展。

Comments CVPR 2026, Project Page: https://github.com/BarbieGait/BarbieGait

VidTAG: Temporally Aligned Video to GPS Geolocalization with Denoising Sequence Prediction at a Global Scale

VidTAG: 全球范围内基于时间对齐的视频到GPS地理定位与去噪序列预测

Parth Parag Kulkarni, Rohit Gupta, Prakash Chandra Chhipa, Mubarak Shah

机构 * Institute of Artificial Intelligence, University of Central Florida（人工智能研究所，中央佛罗里达大学） ； Luleå Tekniska Universitet（卢勒奥理工大学） ； Amazon Prime Video Science（亚马逊Prime视频科学） 纠错

AI总结 VidTAG通过双编码器框架实现视频到GPS的细粒度地理定位，结合自监督与语言对齐特征，利用TempGeo和GeoRefiner模块提升时间一致性，优于基线模型20%并在全球粗粒度任务中超越现有方法25%。

Comments Accepted at CVPR 2026

Fall Risk and Gait Analysis in Community-Dwelling Older Adults using World-Spaced 3D Human Mesh Recovery

社区老年人跌倒风险与步态分析中的世界空间3D人体网格恢复

Chitra Banarjee, Patrick Kwon, Ania Lipat, Rui Xie, Chen Chen, Ladda Thiamwong

机构 * College of Medicine, UCF（UCF医学院） ； Institute of AI, UCF（UCF人工智能研究所） ； College of Nursing, UCF（UCF护理学院） ； College of Sciences, UCF（UCF科学学院） 纠错

AI总结 本文提出利用3D人体网格恢复模型提取步态参数，分析社区老年人的步态特征，发现步态时间与惯性测量单元数据显著相关，揭示高跌倒风险与步态特征的关联。

Comments Work was accepted at Computer Vision for Biomechanics Workshop (CVBW) at CVPR 2026

V-Nutri: Dish-Level Nutrition Estimation from Egocentric Cooking Videos

V-Nutri：从第一人称烹饪视频进行菜品营养估计

Chengkun Yue, Chuanzhi Xu, Jiangpeng He

机构 * Indiana University（印第安纳大学） ； The University of Sydney（悉尼大学） 纠错

AI总结 本文提出V-Nutri框架，结合预训练视觉模型和轻量级融合模块，利用烹饪过程关键帧提升菜品营养估计精度。

Comments Accepted to the 3rd MetaFood Workshop at CVPR 2026

Bootstrapping Video Semantic Segmentation Model via Distillation-assisted Test-Time Adaptation

通过蒸馏辅助测试时适应提升视频语义分割模型

Jihun Kim, Hoyong Kwon, Hyeokjun Kweon, Kuk-Jin Yoon

机构 * KAIST（韩国科学技术院） ； Chung-Ang University（Chung-Ang 大学） 纠错

AI总结 本文提出DiTTA框架，通过高效测试时适应将图像分割模型转化为时间感知的视频分割模型，无需标注视频，实验表明其在VSPW和Cityscapes上表现优异。

Comments accepted at CVPR 2026

Latent Chain-of-Thought World Modeling for End-to-End Driving

潜在链式思维世界建模用于端到端驾驶

Shuhan Tan, Kashyap Chitta, Yuxiao Chen, Ran Tian, Yurong You, Yan Wang, Wenjie Luo, Yulong Cao, Philipp Krahenbuhl, Marco Pavone, Boris Ivanovic

机构 * UT Austin（得克萨斯大学奥斯汀分校） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出Latent-CoT-Drive模型，通过潜在语言整合链式思维推理与决策，提升驾驶性能与安全性，实现更快推理和更优轨迹质量。

Comments Accepted to CVPR 2026

CropVLM: Learning to Zoom for Fine-Grained Vision-Language Perception

CropVLM: 为细粒度视觉语言感知学习动态聚焦

Miguel Carvalho, Helder Dias, Bruno Martins

机构 * INESC-ID, Instituto Superior Técnico, University of Lisbon（INESC-ID，理工学院，里斯本大学） 纠错

AI总结 CropVLM通过强化学习提升VLM在细粒度图像理解任务中的性能，无需人工标注或合成数据，有效增强模型对细节的捕捉能力。

Comments Accepted to the GRAIL-V Workshop at CVPR 2026