期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
POVQA: 基于偏好的视频问答与数据效率的推理
机构 * University of Southern Mississippi（密西根州立大学）
AI总结 提出POVQA方法，通过时间池化压缩视频帧、监督微调加偏好优化，在长视频问答中实现数据高效推理。
Comments Accepted in MAR at CVPR Workshop (Proceedings Track)
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 11533-11542
OpenDPR：面向遥感影像的基于视觉中心扩散引导原型检索的开放词汇变化检测
机构 * Wuhan University（武汉大学） ； Beijing Institute of Technology（北京理工大学）
AI总结 提出OpenDPR框架，通过扩散模型构建原型并检索视觉相似性，解决开放词汇变化检测中类别识别瓶颈，并设计S2C模块增强变化定位能力。
Comments Accepted by CVPR 2026
LagerNVS：用于全神经实时新视角合成的潜在几何
机构 * Visual Geometry Group, University of Oxford（牛津大学视觉几何组） ； Meta AI
AI总结 提出LagerNVS，一种基于3D感知潜在特征的编码器-解码器神经网络，通过显式3D监督预训练初始化编码器，结合轻量解码器和光度损失端到端训练，实现实时、泛化的新视角合成，在Re10k上达到31.4 PSNR。
Comments IEEE CVF Conference on Computer Vision and Pattern Recognition 2026. Project page with code, models and examples: szymanowiczs.github.io/lagernvs
IAG: 基于输入感知的后门攻击针对VLM视觉定位
机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Columbia University（哥伦比亚大学） ； Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出IAG方法，通过文本条件UNet动态生成输入感知的触发器，实现首个多目标后门攻击VLM视觉定位，在多个模型和基准上达到最佳攻击成功率且不影响正常性能。
Comments Accepted by CVPR 2026; Code is at https://github.com/lijunxian111/IAG
Journal ref https://openaccess.thecvf.com/content/CVPR2026/papers/Li_IAG_Input-aware_Backdoor_Attack_on_VLM-based_Visual_Grounding_CVPR_2026_paper.pdf
看、规划、回退：面向鲁棒机器人操作的进度感知视觉-语言-动作模型
机构 * 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） ； University of Technology Sydney（新南威尔士大学） ； Department of Computer Vision, Mohamed Bin Zayed University of Artificial Intelligence（人工智能与计算机视觉系，Mohamed Bin Zayed人工智能大学） ； The University of Hong Kong（香港大学） ； Institute of AI for Industry, Chinese Academy of Sciences（产业人工智能研究所，中国科学院） ； School of Intelligent Science and Engineering, Harbin Institute of Technology (Shenzhen)（智能科学与工程学院，哈尔滨工业大学（深圳））
AI总结 提出进度感知的视觉-语言-动作框架SPR，通过动态将语言指令映射为空间子目标序列，并利用闭环进度监控实现错误恢复，在LIBERO基准上提升5%性能，在LIBERO-Plus上展现最先进的鲁棒性。
Comments Suggested to CVPR Findings. https://tingjundai.github.io/SPRVLA/
迈向稀疏视频理解与推理
机构 * Northwestern University（西北大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Dolby Laboratories（杜比实验室）
AI总结 提出一种多轮视频问答代理，通过稀疏帧选择、状态摘要和早期停止机制，在减少帧数和令牌数的同时提升准确率。
Comments Accepted to CVPR 2026. Project page: https://sparsevideounderstanding.github.io
跨域小样本分割：多视角渐进适应
机构 * Interdisciplinary Graduate Programme, Nanyang Technological University（南洋理工大学交叉学科研究生项目） ； Nanyang Technological University（南洋理工大学） ； Xi’an Jiaotong University（西安交通大学） ； VinUniversity（文大学） ； SMBU
AI总结 提出多视角渐进适应方法，通过混合渐进增强和双链多视角预测，从数据和策略两方面逐步将小样本能力适应到目标域，显著提升跨域小样本分割性能。
Comments Accepted by CVPR 2026
Avatar Forcing：用于自然对话的实时交互式头部化身生成
机构 * KAIST（韩国科学技术院） ； NTU Singapore（新加坡国立大学） ； DeepAuto.ai
AI总结 提出Avatar Forcing框架，通过扩散强制实现实时交互式头部化身生成，利用直接偏好优化进行无标签学习，在低延迟（约500ms）下生成富有表现力的反应动作。
Comments CVPR 2026. Project page: https://taekyungki.github.io/AvatarForcing/
CountGD++: 面向开放世界计数的通用提示
机构 * Visual Geometry Group (VGG)（视觉几何组（VGG）） ； University of Oxford, UK（牛津大学，英国）
AI总结 提出CountGD++模型，通过扩展提示方式（包括负样本描述、伪示例自动标注和外部图像示例）提升开放世界计数的灵活性、准确性和泛化能力。
Comments CVPR 2026
WorldLens：真实世界中驾驶世界模型的全光谱评估
机构 * WorldBench Team（WorldBench团队） ； Equal Contributions Project Lead（同等贡献项目负责人） ； Project Lead（项目负责人） ； Corresponding Author（通讯作者）
AI总结 提出WorldLens基准，从生成、重建、动作跟随、下游任务和人类偏好五个方面评估生成世界模型在视觉真实性、几何一致性、物理合理性和功能可靠性上的表现，并构建WorldLens-26K数据集和WorldLens-Agent评估模型以实现可扩展的可解释评分。
Comments CVPR 2026 Oral Presentation; 80 pages, 37 figures, 29 tables; Project Page at https://worldbench.github.io/worldlens GitHub at https://github.com/worldbench/WorldLens
SpaceTools: 通过双交互强化学习实现工具增强的空间推理
机构 * NVIDIA ； University of Michigan（密歇根大学）
AI总结 提出双交互强化学习（DIRL）框架，通过两阶段训练让视觉语言模型学会协调多种工具（如深度估计、分割、姿态估计）进行精确空间推理，在多个基准上达到最优性能。
Comments CVPR 2026
CLIP-like模型作为基础密度比估计器
机构 * The University of Tokyo（东京大学） ； AIST（日本产业技术综合研究所）
AI总结 本文重新解释CLIP类模型为预训练的通用密度比估计器，提出重要性权重学习和KL散度估计两种应用，通过单一提示提升F1分数达7点，并利用KL散度实现数据筛选。
Comments Accepted to CVPR 2026. Code: https://github.com/fumiyauchiyama/CLIP_Density_Ratio
NNGPT: 用大型语言模型重新思考AutoML
机构 * Computer Vision Lab, CAIDAS & IFI, University of Würzburg, Germany（计算机视觉实验室，CAIDAS与IFI，乌尔姆大学，德国）
AI总结 提出NNGPT开源框架，利用大型语言模型实现自我改进的AutoML引擎，通过生成-评估-自我改进闭环自动设计神经网络架构和超参数。
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), pp. 5664-5674, 2026
超越对象：面向细粒度分类的上下文合成数据生成
机构 * Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind）
AI总结 提出BOB微调策略，通过提取并条件化类不可知属性（如场景背景和物体姿态）来缓解过拟合，提升细粒度分类中合成训练数据的质量，在多个数据集上达到最优性能。
Comments CVPR 2026
无需训练的视频推理
机构 * Qualcomm AI Research（高通AI研究） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 提出V-Reason方法，利用输出分布熵作为信号，通过轻量级控制器在推理时自适应调整值缓存，无需强化学习或微调即可提升视频推理性能。
Comments CVPR Findings 2026. Project Page https://deepaksridhar.github.io/vreason.github.io/
MCPDepth：基于多圆柱全景图的立体匹配全方位深度估计
机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） ； The Chinese University of Hong Kong（香港中文大学） ； ShanghaiTech University（上海科技大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 提出MCPDepth两阶段框架，通过圆柱全景图的立体匹配和融合，利用循环注意力模块处理垂直畸变，在标准网络组件上实现高效的全方位深度估计，在Deep360和3D60数据集上MAE分别降低18.8%和19.9%。
Comments Accepted at the OmniCV Workshop, CVPR 2026
LEMUR 神经网络数据集：迈向无缝 AutoML
机构 * Computer Vision Lab, CAIDAS, University of Würzburg（计算机视觉实验室，CAIDAS，乌尔姆大学）
AI总结 提出 LEMUR 开源数据集与框架，通过统一模板、结构化存储和自动化超参数优化，标准化神经网络实现与评估，以加速 AutoML 研究并促进公平基准测试。
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), pp. 3291-3300, 2026
将视觉语言模型的预训练扩展到一千亿数据
机构 * Google DeepMind（谷歌DeepMind）
AI总结 本文通过实验探究将视觉语言模型预训练数据扩展到一千亿规模的效果，发现传统基准性能饱和，但文化多样性任务和低资源语言受益显著，并指出质量过滤可能减少文化多样性。
Comments v2: CVPR Findings'26
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