CVPR

Hand Trajectory Fusion for Egocentric Natural Language Query Grounding

面向自我中心自然语言查询定位的手部轨迹融合

Enmin Zhong, Carlos R. del-Blanco, Fernando Jaureguizar, Narciso García

机构 * Grupo de Tratamiento de Imágenes (GTI), Information Processing and Telecommunications Center , ETSI Telecomunicación, Universidad Politécnica de Madrid, Spain（图像处理小组（GTI）、信息处理与电信中心、电信工程学院、马德里理工大学、西班牙） 纠错

AI总结 针对自我中心视频中的自然语言查询定位任务，提出手部轨迹编码器与自适应门控交叉注意力融合方法，利用手部运动信息提升查询定位性能。

Comments Accepted for the poster session at the Egocentric Vision (EgoVis) Workshop in Conjunction with CVPR 2026

Towards Robust Sequential Decomposition for Complex Image Editing

面向复杂图像编辑的鲁棒顺序分解

Zilai Zeng, Mingdeng Cao, Zijie Li, Xiaochen Lian, Yichun Shi, Peihao Zhu, Chen Sun, Peng Wang

机构 * Brown University（布朗大学） ； ByteDance Seed（字节跳动种子） ； The University of Tokyo（东京大学） 纠错

AI总结 提出通过顺序分解将复杂编辑任务拆解为简单步骤，并利用合成数据训练模型，在统一上下文编辑框架下平衡分解优势与误差累积，实现鲁棒改进和从模拟到真实的泛化。

Comments CVPR 2026

MPM: Mutual Pair Merging for Efficient Vision Transformers

MPM：用于高效视觉Transformer的互结对合并

Simon Ravé, Pejman Rasti, David Rousseau

机构 * LARIS University of Angers（安格尔大学LARIS实验室） ； UMR INRAe-IRHS Angers, France（法国安格尔INRAe-IRHS UMR） 纠错

AI总结 提出无训练、无参数的互结对合并（MPM）模块，通过余弦空间互近邻配对与平均，记录合并图用于解码器前基于收集的重建，在语义分割中实现端到端加速，且精度损失小。

Comments Accepted to CVPR 2026 (Findings)

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026, pp. 2998-3008

Low-Resolution Editing is All You Need for High-Resolution Editing

低分辨率编辑足以实现高分辨率编辑

Junsung Lee, Hyunsoo Lee, Yong Jae Lee, Bohyung Han

机构 * ECE & IPAI, Seoul National University（电子与信息物理学院及首尔国立大学IPAI） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出一种测试时优化框架，通过分块优化、细节迁移和同步策略，实现高分辨率图像编辑。

Comments CVPR 2026. Project website: https://hleephilip.github.io/ScaleEdit

Act Like a Pathologist: Tissue-Aware Whole Slide Image Reasoning

像病理学家一样：组织感知的全切片图像推理

Wentao Huang, Weimin Lyu, Peiliang Lou, Qingqiao Hu, Xiaoling Hu, Shahira Abousamra, Wenchao Han, Ruifeng Guo, Jiawei Zhou, Chao Chen, Chen Wang

机构 * Stony Brook University（石英溪大学） ； Mayo Clinic（梅奥诊所） ； Harvard Medical School（哈佛医学院） ； Stanford University（斯坦福大学） 纠错

AI总结 提出一种问题引导、组织感知的粗到细检索框架HistoSelect，通过识别相关组织区域并选择最具信息量的补丁，在减少70%视觉标记的同时提升病理问答准确性。

Comments 14 pages, 8 figures. Accepted by CVPR'26

SJD-PAC: Accelerating Speculative Jacobi Decoding via Proactive Drafting and Adaptive Continuation

SJD-PAC：通过主动草稿和自适应延续加速推测性雅可比解码

Jialiang Kang, Han Shu, Wenshuo Li, Yingjie Zhai, Xinghao Chen

机构 * Peking University（北京大学） ； Huawei Technologies（华为技术） 纠错

AI总结 提出SJD-PAC框架，通过主动草稿策略和自适应延续机制提升推测性雅可比解码的接受率，实现无损加速文本到图像合成。

Comments CVPR 2026

CREward: A Type-Specific Creativity Reward Model

CREward：一种类型特定的创造力奖励模型

Jiyeon Han, Ali Mahdavi-Amiri, Hao Zhang, Haedong Jeong

机构 * Simon Fraser University（西蒙弗雷泽大学） ； Sogang University（首尔大学） 纠错

AI总结 提出首个类型特定的创造力奖励模型CREward，通过几何、材质和纹理三个轴评估创造力，并应用于创造力评估、可解释创造力及创意样本获取。

Comments Accepted to CVPR 2026

Align-KD: Distilling Cross-Modal Alignment Knowledge for Mobile Vision-Language Model Enhancement

Align-KD：为移动视觉语言模型增强提取跨模态对齐知识

Qianhan Feng, Wenshuo Li, Tong Lin, Xinghao Chen

机构 * State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University, China（通用人工智能国家重点实验室，智能科学与技术学院，北京大学，中国） ； Huawei Noah’s Ark Lab, China（华为诺亚方舟实验室，中国） 纠错

AI总结 提出Align-KD方法，通过蒸馏教师模型浅层跨模态对齐知识，指导1.7B学生模型学习视觉-文本匹配，在6个基准上平均提升2.0分。

Comments CVPR 2025 Paper

Fixed-Rank Representation for Unsupervised Visual Learning

固定秩表示用于无监督视觉学习

Risheng Liu, Zhouchen Lin, Fernando De la Torre, Zhixun Su

AI总结 本文提出固定秩表示（FRR）作为无监督视觉学习的统一框架，通过闭式解揭示多子空间结构，并引入稀疏正则化以增强鲁棒性，同时开发了快速数值求解器。

Comments accepted by CVPR 2012

HumanNOVA: Photorealistic, Universal and Rapid 3D Human Avatar Modeling from a Single Image

HumanNOVA: 从单张图像实现逼真、通用且快速的3D人体化身建模

Hezhen Hu, Wangbo Zhao, Lanqing Guo, Hanwen Jiang, Jonathan C. Liu, Zhiwen Fan, Kai Wang, Zhangyang Wang, Georgios Pavlakos

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National University of Singapore（新加坡国立大学） ； Texas A&M University（德克萨斯农工大学） 纠错

AI总结 提出HumanNOVA模型，通过可扩展数据生成流水线和前馈令牌条件化架构，从单张RGB图像快速生成逼真3D人体化身，无需测试时优化。

Comments CVPR 2026 Highlight

Not All Points Are Equal: Uncertainty-Aware 4D LiDAR Scene Synthesis

并非所有点都同等重要：不确定性感知的4D LiDAR场景合成

Xiang Xu, Alan Liang, Youquan Liu, Xian Sun, Linfeng Li, Lingdong Kong, Ziwei Liu, Qingshan Liu

机构 * NUAA（南京航空航天大学） ； NUS（新加坡国立大学） ； FDU（福建工程学院） ； Duke（杜克大学） ； NTU（国立新加坡大学） ； NJUPT（南京理工大学泰州学院） ； SKL-TI（特种信息处理实验室） 纠错

AI总结 提出U4D框架，利用空间不确定性引导LiDAR场景生成，通过熵图识别高不确定性区域并优先合成，再补全其余区域，实现高保真4D场景。

Comments CVPR 2026 E2E3D Workshop; GitHub at https://github.com/worldbench/U4D

MASER: Modality-Adaptive Specialist Routing for Embodied 3D Spatial Intelligence

MASER: 面向具身3D空间智能的模态自适应专家路由

Hilton Raj, Vishnuram AV

机构 * Boston University（波士顿大学） 纠错

AI总结 提出MASER框架，通过训练共享VLM骨干的五个模态适配器并学习基于问题选择最佳适配器的神经路由策略，解决具身代理在3D环境中多模态推理时忽略问题语义的问题。

Comments Accepted to CVPR 2026 Foundation Models Meet Embodied Agents Workshop

Edge Prediction for Roof Wireframe Reconstruction with Transformers

基于Transformer的屋顶线框重建边预测

Gustav Hanning, Ludvig Dillén, Jonathan Astermark, Johanna Lidholm, Viktor Larsson

机构 * Centre for Mathematical Sciences, Lund University（卢德大学数学科学中心） 纠错

AI总结 提出一种端到端Transformer编码器-解码器架构，利用稀疏SfM点云和语义分割图重建3D屋顶线框，在HoHo 22k数据集上取得0.6476的混合结构分数，位列挑战赛第二名。

Comments Presented at the 3rd Urban Scene Modeling (USM3D) Workshop at CVPR 2026

Training-Free Composed Video Retrieval via Visual Representation-Guided Video-LLM Reasoning

基于视觉表示引导的视频-大语言模型推理的无训练组合视频检索

Yang Liu, Qianqian Xu, Peisong Wen, Siran Dai, Qingming Huang

机构 * School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院） ； 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） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） 纠错

AI总结 提出无训练框架，先利用冻结DINOv3模型筛选视觉相关候选，再通过大视觉语言模型评估指令匹配，最后推理精化，在CVPR 2026挑战赛中取得48.78 Recall@1和51.48 Recall@5。

Comments CVPR 2026, VidLLMs workshop

Ultra Diffusion Poser: Diffusion-Based Human Motion Tracking From Sparse Inertial Sensors and Ranging-Based Between-Sensor Distances

超扩散姿态估计器：基于扩散的从稀疏惯性传感器和测距传感器间距离的人体运动跟踪

Dominik Hollidt, Tommaso Bendinelli, Christian Holz

机构 * Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系） 纠错

AI总结 提出Ultra Diffusion Poser扩散模型，通过显式建模UWB测距的几何约束（空间布局模块解析重建传感器位置）和引入UWB扩散引导，在扩散采样中强制预测姿态与实测距离对齐，将关节位置误差降低22%。

Comments CVPR 2026 - Computer Vision and Pattern Recognition

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026, pp. 7036-7046

Residual Decoder Adapter: ID-Preserving Tokenizer Adaption for Autoregressive Text Rendering

残差解码器适配器：用于自回归文本渲染的身份保持分词器适配

Dongxing Mao, Jinpeng Wang, Jiahao Tang, Kevin Qinghong Lin, Linjie Li, Zhengyuan Yang, Lijuan Wang, Min Li, Jingru Tan

机构 * Central South University（中南大学） ； University of Oxford（牛津大学） ； Microsoft Research（微软研究院） 纠错

AI总结 提出残差解码器适配器（RDA），通过引入配对码本和平行分支学习像素空间残差，在不重新训练分词器和自回归模型的情况下显著提升文本渲染性能。

Comments CVPR 2026 poster

Understanding Identity Continuity in Thermal Video through Scene-Level Consistency

通过场景级一致性理解热视频中的身份连续性

Wei-Chieh Sun, Gyungmin Ko, Heejae Kwon, Hsiang-Wei Huang, Jenq-Neng Hwang

机构 * Department of Electrical and Computer Engineering, Information Processing Lab, University of Washington, USA（电气与计算机工程系，信息处理实验室，华盛顿大学，美国） 纠错

AI总结 针对热行人多目标跟踪中身份碎片化问题，提出轻量级后处理方法，通过在线短间隙重映射和离线轨迹重链接恢复身份连续性，在PBVS热行人MOT基准上提升IDF1。

Comments Accepted to CVPR 2026 Workshop on SVC. Published in CVPR Workshops proceedings

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 1411-1419

CanonCGT: Reference-Based Color Grading via Canonical Pivot Representation

CanonCGT：基于参考的颜色分级通过规范枢轴表示

Jinwon Ko, Keunsoo Ko, Chang-Su Kim

机构 * Korea University（韩国大学） ； The Catholic University of Korea（韩国天主教大学） 纠错

AI总结 提出一种基于规范枢轴的两阶段框架CanonCGT，通过去除内在色调偏差并匹配参考风格，实现稳定、真实的颜色分级。

Comments CVPR 2026 accepted

Real-Time Generation of Streamable Talking Portrait Video with Reference-Guided Deep Compression VAEs

基于参考引导深度压缩VAE的流式说话人肖像视频实时生成

Sicheng Xu, Yu Deng, Shoukang Hu, Yichuan Wang, Yizhong Zhang, Zhan Chen, Jiaolong Yang, Baining Guo

机构 * Microsoft Research（微软研究院） ； Microsoft AI（微软人工智能） 纠错

AI总结 提出一种结合因果视频VAE和自回归潜在去噪模型的流式说话人肖像视频生成框架，通过参考图像引导实现实时高质量生成。

Comments CVPR 2026 (Highlight) Camera ready

DENSER: Depth-Guided Ensemble with Staged EFA-GS Reconstruction for Soccer Novel View Synthesis

DENSER：面向足球新视角合成的深度引导集成与分阶段EFA-GS重建

Parthsarthi Rawat

机构 * GameChanger by Dick’s Sporting Goods（Dick’s Sporting Goods 游戏变革） 纠错

AI总结 提出DENSER方法，通过深度引导集成和分阶段EFA-GS重建，结合相机高度损失加权、单目深度监督和三模型像素平均集成，提升足球场景新视角合成质量。

Comments CVPR 2026 SoccerNet Novel View Synthesis Challenge, Rank 1

Decoupled Residual Denoising Diffusion Models for Unified and Data Efficient Image-to-Image Translation

解耦残差去噪扩散模型用于统一且数据高效的图像到图像翻译

Ziyue Lin, Jiahe Hou, Hongyu Xia, Xinrui Xie, Feifei Wang, Yuyin Zhou, Wei Wang, Jiawei Liu, Liangqiong Qu

机构 * The University of Hong Kong（香港大学） ； Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所） ； The Chinese University of Hong Kong（香港中文大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） 纠错

AI总结 提出解耦残差去噪扩散模型（DRDD），通过将扩散过程解耦为随机噪声扩散和确定性残差扩散两个独立阶段，实现统一且数据高效的图像到图像翻译。

Comments CVPR 2026

Cross-Axis Feature Fusion with Joint-Wise Motion Difference Prediction for Text-Based 3D Human Motion Editing

基于文本的三维人体运动编辑中的跨轴特征融合与关节运动差异预测

Gyojin Han, Junmo Kim

机构 * School of Electrical Engineering, KAIST（韩国科学技术院电子工程学院） 纠错

AI总结 提出一种跨轴特征融合架构和辅助任务，通过联合锚定变换器预测关节运动差异，实现文本驱动的三维人体运动编辑，在MotionFix数据集上达到最优性能。

Comments CVPR 2026

GABI: Geometry-Aware Boundary Integration for Spacecraft Segmentation

GABI: 用于航天器分割的几何感知边界集成

Iason Georgios Velentzas, Dhruv Ahuja, Panagiotis Tsiotras

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 提出一种轻量级边界感知多任务分割架构GABI，通过辅助距离场预测头增强卷积骨干网络，在保持低模型复杂度的同时提升航天器分割精度，在SPARK基准上平均精度提升5%，跨域泛化提升50%。

Comments Accepted to AI4Space at CVPR 2026

Generative Diffusion Priors for 3D Mapping of the Dark Universe

用于暗宇宙三维映射的生成扩散先验

Brandon Zhao, Diana Scognamiglio, Olivier Doré, Katherine L. Bouman

机构 * Department of Computing and Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室） ； Department of Physics, Duke University（杜克大学物理系） ； Cahill Center for Astronomy and Astrophysics, California Institute of Technology（加州理工学院卡希尔天文与天体物理中心） 纠错

AI总结 利用扩散模型学习宇宙模拟中的先验分布，结合物理正向模型解决弱引力透镜三维暗物质反问题，显著提升重建精度并生成统计一致的后验样本。

Comments Accepted to CVPR 2026 (Highlight)

TAP-JEPA: Frozen Future-Latent Probing and Two-Stage Score Fusion for EPIC-KITCHENS-100 Action Anticipation

TAP-JEPA：冻结的未来潜在探测与两阶段分数融合用于EPIC-KITCHENS-100动作预测

Chaoyang Wang, Lexuan Xu

机构 * Beihang University（北航大学） 纠错

AI总结 提出TAP-JEPA方法，利用冻结的V-JEPA 2.1特征和两阶段分数融合，在EPIC-KITCHENS-100动作预测挑战中获得第二名。

Comments The runner-up solution for the Action Anticipation Challenge, EPIC-KITCHENS-100 at the CVPR EgoVis Workshop 2026

Through the PRISM: Principle-Aware, Interpretable, and Multi-Scale Evaluation of Visual Designs

通过PRISM：原则感知、可解释和多尺度的视觉设计评估

Mona Gandhi, KJ Joseph, Srinivasan Parthasarathy, Sayan Nag

机构 * Ohio State University（俄亥俄州立大学） ； Adobe Research（Adobe研究院） 纠错

AI总结 提出PRISM基准和一种多尺度评估框架，通过原则扰动和分层分析实现可解释的设计质量评估。

Journal ref CVPR 2026 Findings

Improving Visual Grounding in Remote Sensing via Cluster-Guided Refinement and Model Ensemble Voting

通过聚类引导精炼和模型集成投票改进遥感中的视觉定位

Panav Shah, Geet Sethi, Ashutosh Gandhe

机构 * Indian Institute of Technology Bombay（印度理工学院班加罗尔） 纠错

AI总结 提出两种视觉定位流程（SGR和CGR），结合遥感专用模型RemoteSAM和通用分割模型SAM3，并通过多模型集成投票提升定位精度。

Comments Accepted at CVPR 2026 Workshop MORSE

CAFOSat: A Strongly Annotated Dataset for Infrastructure-Aware CAFO Mapping Using High-Resolution Imagery

CAFOSat：用于基于高分辨率影像的基础设施感知型CAFO制图的高质量标注数据集

Oishee Bintey Hoque, Nibir Chandra Mandal, Mandy L Wilson, Samarth Swarup, Madhav Marathe, Abhijin Adiga

机构 * University of Virginia（弗吉尼亚大学） ； Biocomplexity Institute, University of Virginia（弗吉尼亚大学生物复杂性研究所） 纠错

AI总结 针对集中式动物饲养操作（CAFO）大规模制图困难，提出CAFOSat数据集，集成高分辨率NAIP影像与多源CAFO清单，通过人机协同标注、GradCAM定位和几何聚类优化弱定位记录，并引入合成增强管道，实现基础设施级标注和鲁棒分类。

Comments Accepted at CVPR Workshop-2026. First two authors has equal contribution

Physical Object Understanding with a Physically Controllable World Model

基于物理可控世界模型的物理对象理解

Rahul Venkatesh, Klemen Kotar, Lilian Naing Chen, Wanhee Lee, Gia Ancone, Seungwoo Kim, Luca Thomas Wheeler, Jared Watrous, Honglin Chen, Daniel Bear, Stefan Stojanov, Daniel LK Yamins

机构 * Stanford University（斯坦福大学） ； OpenAI（开放人工智能公司） ； Noetik Inc.（Noetik公司） ； Google（谷歌） 纠错

AI总结 提出一类概率世界模型，通过自回归序列建模高效训练，从视频中推断对象及其物理交互，实现对象发现、3D操控和物理关系计算。

Comments CVPR 2026 Highlight. Project page at: https://neuroailab.github.io/psi-website/blog.html

4D Radar Meets LiDAR and Camera: Cooperative Perception under Adverse Weather

4D雷达与激光雷达和相机的结合：恶劣天气下的协同感知

Melih Yazgan, Iramm Hamdard, Qiyuan Wu, J. Marius Zoellner

机构 * FZI Research Center for Information Technology（FZI信息技术研究所以） ； Karlsruhe Institute of Technology（卡尔斯鲁厄大学） 纠错

AI总结 针对恶劣天气下相机和激光雷达性能下降的问题，提出集成4D成像雷达作为鲁棒模态，并引入多普勒引导的空间注意力机制进行多智能体融合，显著提升雾雨环境下的协同感知鲁棒性。

Comments Accepted by CVPR - DriveX Workshop