期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
RoadTones: 从道路事件视频生成可调节语气的文本
机构 * CVIT & iHub-Data, IIIT Hyderabad, India（CVIT与iHub-Data，IIIT海得拉巴，印度）
AI总结 本文提出RoadTones-51K数据集和RoadTones-VL-CoT模型，通过生成语气条件的推理草稿提升可解释性，并引入RoadTones-Eval评估体系，共同为上下文敏感的可调节视频描述奠定基础。
Comments Accepted at CVPR Findings 2026. Project page: https://roadtones.github.io/
tutor-student 强化学习：一种动态课程以实现鲁棒的深度伪造检测
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； School of Integrated Circuits, Peking University（北京大学集成电路学院） ； School of Information, Huazhong Agricultural University（华中农业大学信息学院） ； Cyberspace Institute of Advanced Technology, Guangzhou University（广州大学先进技术网络研究院）
AI总结 本文提出了一种 tutor-student 强化学习框架，通过动态优化训练课程来提高深度伪造检测的鲁棒性和泛化能力。
Comments Accepted to CVPR 2026
Journal ref The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026 (CVPR 2026)
THEval：谈话头视频生成的评估框架
机构 * Inria Centre at Université Côte d’Azur（Inria 雅克-路易·科蒂尔大学中心） ； Shanghai AI Laboratory（上海人工智能实验室） ； da/sec - Biometrics and Security Research Group, Hochschule Darmstadt（da/sec 生物识别与安全研究组，达姆斯塔特大学）
AI总结 本文提出了一种新的评估框架，用于评估生成谈话头视频的质量、自然性和同步性，通过8个指标来衡量，并通过大量实验验证了现有方法在生成表情和无瑕疵细节方面的不足。
Comments CVPR 2026 Findings, Project Page: https://newbyl.github.io/theval_project_page/
自由粒度层次视觉识别
机构 * University of Michigan（密歇根大学） ； UC Berkeley（伯克利大学）
AI总结 本文研究了在现实世界中标签不完整且粒度混合的情况下，如何进行层次视觉识别。通过引入自由粒度训练方法，结合文本监督和半监督学习，改进了传统层次方法在不完整监督下的性能，并提出了自由粒度推理机制以适应不同预测深度的需求。
Comments Accepted to CVPR 2026. 31 pages
JFAA：EgoVis 2026 EPIC-KITCHENS-100 动作预见挑战的技术报告
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室） ； Shandong Jianzhu University（山东建筑大学）
AI总结 本文提出JFAA，一种基于JEPA的未来动作预见方法，用于EPIC-KITCHENS-100动作预见任务。通过冻结编码器和预测器提取观察上下文特征和近未来潜在标记，再训练轻量级注意力探针以预测动词、名词和动作日志。通过构建字段感知的集成模型提高鲁棒性，实验结果表明JFAA在EgoVis 2026 EPIC-KITCHENS-100动作预见挑战中取得第一名。
Comments The champion solution for the EPIC-KITCHENS-100 Action Anticipation Challenge at the CVPR EgoVis Workshop 2026
VISTA：EgoVis 2026 ego4D 短期物体交互预测挑战的技术报告
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室） ； Shandong Jianzhu University（山东建筑大学）
AI总结 本文提出VISTA，一种用于EgoVis 2026 ego4D短期物体交互预测挑战的V-JEPA集成静态快速时序预测器。该方法结合了以物体为中心的空间检测与短视时间上下文，通过特征调制和ROI级上下文融合，将时间表示注入检测路径，以提高预测的鲁棒性。
Comments The champion solution for the Ego4D Short-Term Object Interaction Anticipation Challenge at the CVPR EgoVis Workshop 2026
FruitEnsemble: MLLM-Guided Arbitration for Heterogeneous ensemble in Fine-Grained Fruit Recognition
机构 * University of Science and Technology Liaoning（辽宁科技大学） ； Chuzhou University（楚州大学） ； Yeshiva University（犹他大学）
AI总结 本文提出FruitEnsemble框架，通过多阶段动态推理解决细粒度水果分类中的泛化限制问题，利用MLLM进行专家仲裁以提升分类准确率，最终达到70.49%的分类精度。
Comments 10 pages,6 figures,submitted to CVPR 2026
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) 2026
OSGNet with MLLM Reranking @ Ego4D Episodic Memory Challenge 2026
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； National University of Singapore（新加坡国立大学） ； Pengcheng Laboratory（鹏城实验室） ； Shandong Jianzhu University（山东建筑大学） ； Southern University of Science and Technology（南方科技大学）
AI总结 本文提出一种基于多模态大语言模型（MLLM）的重排序框架，用于解决Ego4D事件记忆挑战2026中的自然语言查询和目标步 tracks，通过结合现有定位模型OSGNet的候选片段和MLLM的视频-语言推理能力，提升时间片段的定位精度。
Comments Champion solution for the Natural Language Queries and GoalStep tracks of the Ego4D Challenge at the CVPR EgoVis Workshop 2026
AttriStory: 基于扩散模型的视觉叙事中细粒度属性实现
机构 * Indian Institute of Science（印度科学研究院）
AI总结 本文提出AttriStory基准，通过细粒度属性实现提升视觉叙事的质量，引入了在早期去噪步骤中操作的潜在优化模块，并通过AttriLoss目标增强属性-对象对的对齐度，从而实现更精确的属性定位。
Comments Accepted at CVPR AIStory Workshop, 2026
$Δ$ynamics: 一种基于语言的表示方法，用于从视频中推断刚体动力学
机构 * Cornell University（康奈尔大学） ； Amazon（亚马逊）
AI总结 本文提出$Δ$YNAMICS框架，通过语言统一表示刚体动力学，利用结构化文本生成物理模拟场景配置，结合自然语言运动推理和光流输入提升泛化能力，在CLEVRER数据集上实现了7倍于现有VLMs的分割IoU，并在新数据集上展示了良好的迁移能力。
Comments Accepted to CVPR 2026. Project page: https://iandrover.github.io/2026_dynamics
轻量级低光照图像增强 via 分布归一化预处理和深度卷积U-Net
机构 * Sony Semiconductor Solutions Corporation（索尼半导体解决方案公司）
AI总结 本文提出了一种轻量级两阶段框架，通过分布归一化预处理和深度卷积U-Net实现低光照图像增强，相比现有方法参数更少且感知质量更优。
Comments Technical report for the NTIRE 2026 Efficient Low-Light Image Enhancement Challenge (CVPR 2026 Workshops), 3rd place solution
C$^2$FG: 通过分数差异分析实现控制分类器无关引导
机构 * Shanghai Jiao Tong University（上海交通大学） ； vivo BlueImage Lab（vivo 蓝影实验室） ； vivo Mobile Communication Co., Ltd.（vivo 通信有限公司）
AI总结 本文提出C$^2$FG，一种基于分数差异分析的控制分类器无关引导方法，通过严格理论分析建立了条件分布与无条件分布在不同时间步的分数差异上界，从而为时间依赖引导提供了理论基础，并通过实验验证了其在多种生成任务中的有效性。
Comments Accepted to CVPR 2026 (Highlight)
注意生成细节：面向视频扩散模型的直接局部化细节偏好优化
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Alibaba Group - Taobao & Tmall Group（阿里巴巴集团-淘宝 & 天猫集团）
AI总结 本文提出LocalDPO，一种新的后训练框架，通过从真实视频中构建局部偏好对，并在时空区域层面优化对齐，以提高视频生成的质量和人类偏好评分。
Comments Accepted by CVPR 2026
DRAMA: 为动态变化中的多智能体生态系统提供下一代动态编排
AI总结 本文提出DRAMA，一种动态且鲁棒的多智能体系统，通过模块化架构和灵活的任务分配机制，提高多智能体在快速变化环境中的协作韧性。
Journal ref The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026
视觉-语言模型是否准备好进行饮食评估？探索AI驱动的食品图像识别的下一个前沿
机构 * Biometrics and Data Pattern Analytics Lab, Universidad Autonoma de Madrid（生物度量与数据模式分析实验室，马德里自治大学） ； IMDEA Food, CEI UAM+CSIC（IMDEA食品，CEI UAM+CSIC）
AI总结 本文评估了六种先进的视觉-语言模型在不同层次上的食品识别能力，提出了一个新的评估指标，并展示了FoodNExTDB数据库在饮食评估中的应用潜力。
Comments Accepted at IEEE/CVF Computer Vision and Pattern Recognition Conference workshops 2025 (CVPRw) 10 pages, 4 figures, 2 tables
Journal ref 2025 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025, pp. 1-10
一种用于显微镜视觉-语言模型中高效提示选择的人机协作框架
机构 * University of South Florida（佛罗里达州立大学） ； SRC Biosciences（SRC生物科学公司）
AI总结 本文提出了一种人机协作框架，通过目标驱动的主动学习方法解决显微镜视觉-语言模型中提示集构建的问题，减少专家验证图像的数量，提高分类性能。
Comments Accepted to CVPR workshops, 2026
基于仿真护理教育的自主学习能力评估：通过第一人称视频进行AI辅助评估
机构 * Vanderbilt University（范德比大学）
AI总结 本文提出了一种基于第一人称视频的AI辅助评估框架，通过提取动作时间线、序列特征和识别指标，发现识别准确率与能力之间存在负相关关系，表明识别准确率可以作为自动化评估中的教学信息信号。
Comments Accepted at CVPR Workshop
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