CVPR

ChainReaction: Causal Chain-Guided Reasoning for Modular and Explainable Causal-Why Video Question Answering

ChainReaction：用于模块化和可解释因果关系视频问答的因果链引导推理

Paritosh Parmar, Eric Peh, Basura Fernando

机构 * Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（新加坡高性能计算研究所，科技研究局） ； Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore（科技研究局前沿人工智能研究中心，新加坡） ； College of Computing and Data Science, Nanyang Technological University, Singapore（新加坡南洋理工大学计算与数据科学学院） 纠错

AI总结 针对现有因果关系视频问答模型的问题，提出新的模块化范式，将因果推理与答案生成解耦，引入自然语言因果链，介绍两阶段架构及生成因果链方法，新指标，实验证明该方法性能优越。

Comments CVPR 2026

Mirror Illusion Art

镜像错觉艺术

Xiaopei Zhu, Zeyuan Li, Jun Zhu, Xiaolin Hu

机构 * Department of Computer Science and Technology, BNRist, Tsinghua University（清华大学计算机科学与技术系，北京信息科学与技术国家研究中心） ； Huazhong University of Science and Technology（华中科技大学） ； IDG/McGovern Institute for Brain Research, Tsinghua University（清华大学IDG/麦戈文脑科学研究院） ； Chinese Institute for Brain Research (CIBR)（北京脑科学与类脑研究中心） 纠错

AI总结 提出AutoMIA自动设计管道，联合优化形状与颜色，通过四种机制稳定优化并抑制伪影，实现从两张目标图像到可打印3D物体的镜像错觉艺术生成。

Comments CVPR 2026 Highlight, also got an Efficient CVPR award

How Much Future Helps? A Controlled Study of Future-Privileged Supervision for Causal Egocentric Gaze Estimation

未来有多大帮助？面向因果自我中心视线估计的未来特权监督受控研究

Jia Li, Wenjie Zhao, Fnu Atisri, Sanskriti Aripineni, Shijian Deng, Jon E. Froehlich, Yuhang Zhao, Yapeng Tian

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Washington（华盛顿大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 提出一种受控框架，通过训练时访问未来帧但推理时丢弃的未来感知分支，研究未来上下文对因果视线估计的影响，发现最优未来视野约1.7-3.3秒。

Comments Accepted to the 7th International Workshop on Eye and Gaze in Computer Vision (GAZE 2026), CVPR 2026. Best Paper Award

CaST-Bench: Benchmarking Causal Chain-Grounded Spatio-Temporal Reasoning for Video Question Answering

CaST-Bench：面向视频问答的因果链时空推理基准

Mingfang Zhang, Jingjing Pan, Ashutosh Kumar, Rajat Saini, Mustafa Erdogan, Hsuan-Kung Yang, Caixin Kang, Yifei Huang, Yoichi Sato, Quan Kong

机构 * Woven by Toyota（丰田公司） ； The University of Tokyo（东京大学） 纠错

AI总结 提出CaST-Bench基准，通过构建包含因果链时空标注的数据集和评估指标，系统评测视觉语言模型在视频因果推理中的细粒度证据定位能力。

Comments CVPR 2026

ManipArena: Comprehensive Real-world Evaluation of Reasoning-Oriented Generalist Robot Manipulation

ManipArena: 通用机器人操作的综合现实世界评估

Yu Sun, Meng Cao, Yang Ping, Kaidong Zhang, Qingxuan Chen, Rongtao Xu, Liangwang Ruan, Xuecheng Chen, Dongxiu Liu, Yunxiao Yan, Zunnan Xu, Runze Xu, Charles Yang, Peilun Zhang, Xiaofan Li, Ruyi Gan, Liang Ma, Yuehao Yin, Jincheng Yu, Lufang Chen, Yuxin Liang, Peng Zhai, Hao Wang, Ivan Laptev, Ian Reid, Qian Wang, Xiaodan Liang

机构 * SYSU（中山大学） ； X SQUARE ROBOT ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Thsinghua University（清华大学） 纠错

AI总结 ManipArena通过标准化框架解决现有评估不足问题，提供真实场景下的多任务测试与多级泛化能力，支持长时移动操作与传感诊断，促进视觉-语言-动作模型和世界模型的发展。

Comments Technical report for CVPR 2026 Challenge ManipArena

Local Motion Matters: A Deconstruct-Recompose Paradigm for Reinforcement Learning Pre-training from Videos

局部运动至关重要：一种用于从视频中进行强化学习预训练的解构-重组范式

Jinwen Wang, Youfang Lin, Xiaobo Hu, Shuo Wang, Kai Lv

机构 * Beijing Jiaotong University（北京交通大学） ； Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence（北京交通数据挖掘与具身智能重点实验室） 纠错

AI总结 提出解构-重组范式（DRP），通过解构全局运动为原子动作学习局部运动表示，再重组以加速下游策略学习，在机器人控制任务中显著提升样本效率。

Comments 20 pages, 16 figures

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026, pages 9859-9868

FCL-COD: Weakly Supervised Camouflaged Object Detection with Frequency-aware and Contrastive Learning

FCL-COD：基于频率感知和对比学习的弱监督伪装目标检测

Jingchen Ni, Quan Zhang, Dan Jiang, Keyu Lv, Ke Zhang, Chun Yuan

机构 * Tsinghua University（清华大学） ； Soochow University（苏州大学） 纠错

AI总结 提出频率感知低秩适应（FoRA）和梯度感知对比学习，解决弱监督伪装目标检测中非伪装响应、局部/极端响应及边界模糊问题，在三个基准上超越现有弱监督和部分全监督方法。

Comments Accepted to CVPR 2026

NI-Tex: Non-isometric Image-based Garment Texture Generation

NI-Tex: 基于非等距图像的服装纹理生成

Hui Shan, Ming Li, Haitao Yang, Kai Zheng, Sizhe Zheng, Yanwei Fu, Xiangru Huang

机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Westlake University（西湖大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Fudan University（复旦大学） 纠错

AI总结 针对非等距图像与3D服装网格间的纹理生成问题，提出结合物理模拟数据集、非等距图像编辑和迭代烘焙的框架，生成高质量PBR纹理。

Comments Accepted to CVPR 2026 (Highlight)

Autonomous UAV Navigation for Individual Wildlife Re-Identification

面向个体野生动物重识别的自主无人机导航

Claire Sun, Tanya Berger-Wolf, Jenna Kline

机构 * The Ohio State University（俄亥俄州立大学） 纠错

AI总结 提出一种自主无人机导航系统，结合YOLOv11检测和DINOv2姿态分类，实时优化图像捕获以支持下游个体重识别，在斑马等物种上验证可行性。

Comments Accepted at 2026 CV4Animals Workshop at CVPR

Phantom: A Unified Face-Swap Deepfake Protection Framework with Latent and Spatial Constraints

Phantom: 一种结合潜在与空间约束的统一换脸深度伪造防护框架

Jungkon Kim, Cheolseung Jung, Jong-Min Choi, Juseong Lee

机构 * Samsung Electronics, AI Platform Center（三星电子，AI平台中心） 纠错

AI总结 提出Phantom框架，通过自适应合成身份偏移目标引导潜在优化，并对语义相关面部区域施加掩蔽扰动，在换脸防护中提升成功率27.8%-16.6%，同时增强视觉质量。

Comments Accepted to CVPR 2026 (Findings)

Efficient Sim-to-Real Transfer of World-Action Models from Synthetic Priors

基于合成先验的世界-动作模型的高效仿真到现实迁移

Zixing Wang, Kausik Sivakumar, Jinghuan Shang, Yafei Hu, Zhaoming Xie, Ran Gong, Xiaohan Zhang, Karl Schmeckpeper

机构 * Purdue University（普渡大学） ； Robotics and AI Institute（机器人与人工智能研究所） 纠错

AI总结 本文研究从合成先验训练世界-动作模型并零样本部署到真实机器人操作，通过域随机化和AnyTask运动规划生成演示，首次成功实现仿真到现实的迁移。

Comments This work is accepted by CVPR'26, Embodied AI Workshop. This paper represent a part of early result of our official world-action model zero-shot sim-to-real transfer work, which will be released soon

SIR: Structured Image Representations for Explainable Robot Learning

SIR: 用于可解释机器人学习的结构化图像表示

Paul Mattes, Jan Schwab, Jens Bosch, Nils Blank, Maximilian Xiling Li, Minh-Trung Tang, Moritz Haberland, Rudolf Lioutikov

机构 * Intuitive Robots Lab, Karlsruhe Institute of Technology, Germany（直观机器人实验室，卡尔斯鲁厄理工学院，德国） ； Robotics Institute Germany（德国机器人研究所） 纠错

AI总结 提出结构化图像表示（SIR），利用场景图作为中间表示，通过端到端稀疏化图结构学习任务相关子图，实现内在可解释性，在RoboCasa上平均成功率19.5%优于基线14.81%，并揭示数据集偏差。

Comments Published at CVPR 2026

Journal ref In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2026. S. 42484-42493

Enhancing Part-Level Point Grounding for Any Open-Source MLLMs

增强任意开源多模态大语言模型的部件级点定位能力

Jin-Cheng Jhang, Fu-En Wang, Xin Yang, Nan Qiao, Lu Xia, Min Sun, Cheng-Hao Kuo

机构 * National Tsing Hua University（国立清华大学） ； Amazon（亚马逊） 纠错

AI总结 提出一种通用方法，通过冻结原模型参数并引入Q-Synth模块和注意力到点解码器，为任意开源MLLM赋予精确的2D部件级点定位能力，显著提升部件级定位精度。

Comments CVPR 2026

TrafficAlign: Aligning Large Language Models for Traffic Scenario Generation

TrafficAlign: 对齐大语言模型用于交通场景生成

Zhi Tu, Liangkun Niu, Tianyi Zhang

AI总结 提出TrafficAlign框架，利用真实驾驶视频合成交通场景并对齐大语言模型，生成场景使自动驾驶模型碰撞率提升10.8%，微调后碰撞率降低36.1%。

Comments Accepted to CVPR 2026

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), June 2026, pp. 39744-39754

IMU-HOI: A Symbiotic Framework for Coherent Human-Object Interaction and Motion Capture via Contact-Conscious Inertial Fusion

IMU-HOI：通过接触感知惯性融合实现连贯的人-物交互与运动捕捉的共生框架

Lizhou Lin, Songpengcheng Xia, Zengyuan Lai, Lan Sun, Jiarui Yang, Ling Pei

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 提出IMU-HOI框架，利用稀疏IMU同时恢复全身人体姿态和物体6-DoF轨迹，通过推断手-物接触并融合运动学与惯性推理，实现无漂移的人-物交互运动捕捉。

Comments 10 pages, 5 figures. Accepted by CVPR 2026

Journal ref Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit. (CVPR), 2026, pp. 42901-42910

Fine-Tuning Large Language Models for Cooperative Tactical Deconfliction of Small Unmanned Aerial Systems

为小型无人机系统合作战术解冲突进行大型语言模型微调

Iman Sharifi, Alex Zongo, Peng Wei

机构 * George Washington University（乔治华盛顿大学） 纠错

AI总结 本文研究了利用微调策略使大型语言模型在合作多智能体战术解冲突中做出决策，通过模拟生成数据提升决策准确性与一致性。

Comments 15 pages, 6 figures, to be published in CVPR 2026 Workshop Proceedings

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 1067-1076

Redefining Quality Criteria and Distance-Aware Score Modeling for Image Editing Assessment

重新定义质量标准与距离感知评分建模用于图像编辑评估

Xinjie Zhang, Qiang Li, Xiaowen Ma, Axi Niu, Li Yan, Qingsen Yan

机构 * Northwestern Polytechnical University（西北工业大学） ； Shenzhen Research Institute of Northwestern Polytechnical University（西北工业大学深圳研究院） 纠错

AI总结 本文提出DS-IEQA框架，通过反馈驱动指标优化和令牌解耦距离回归损失，改进图像编辑质量评估的指标定义与评分连续性建模。

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 2812-2820

CRFT: Consistent-Recurrent Feature Flow Transformer for Cross-Modal Image Registration

CRFT：用于跨模态图像配准的一致-递归特征流变换器

Xuecong Liu, Mengzhu Ding, Zixuan Sun, Zhang Li, Xichao Teng

机构 * Northeastern University, China（东北大学（中国）） ； National University of Defense Technology, China（国防科技大学（中国）） 纠错

AI总结 CRFT提出了一种基于特征流学习的统一粗到细框架，通过特征对齐和流估计实现鲁棒的跨模态图像配准，通过多尺度特征相关性和层次特征融合提升精度和鲁棒性。

Comments Accepted to CVPR 2026

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026, pp. 34784-34794

Perceptual 3D Simulation With Physical World Modeling

基于物理世界建模的感知3D仿真

Wanhee Lee, Klemen Kotar, Rahul Mysore Venkatesh, Jared Watrous, Daniel L. K. Yamins

机构 * Stanford University（斯坦福大学） 纠错

AI总结 提出P3Sim系统，结合学习型物理世界模型、几何条件模块和持久场景记忆，在部分观测和不完整3D变换信号下模拟未来场景状态，实现多任务泛化。

Comments Published as a conference paper at CVPR 2026

GenMatter: Perceiving Physical Objects with Generative Matter Models

GenMatter：基于生成物质模型的物理物体感知

Eric Li, Arijit Dasgupta, Yoni Friedman, Mathieu Huot, Vikash Mansinghka, Thomas O'Connell, William T. Freeman, Joshua B. Tenenbaum

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT BCS（麻省理工学院生物学与计算机科学） 纠错

AI总结 本文提出一种生成物质模型，通过分层聚类低级运动线索和高级外观特征，实现对不同输入的统一感知框架，验证了其在随机点运动、伪装旋转物体和自然视频中的有效性。

Comments 25 pages, 12 figures, CVPR 2026

Real Image Denoising with Knowledge Distillation for High-Performance Mobile NPUs

面向高性能移动NPU的真实图像去噪知识蒸馏

Faraz Kayani, Sarmad Kayani, Asad Ahmed, Radu Timofte, Dmitry Ignatov

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） 纠错

AI总结 提出NPU感知的硬件-算法协同设计方法，通过知识蒸馏将高容量教师网络的知识迁移到轻量级学生网络，在移动NPU上实现高效去噪，PSNR仅损失0.05 dB，推理速度比GPU快3.88倍。

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026, pp. 3792-3800

Dataset Usage Inference without Shadow Models or Held-out Data

无需影子模型或保留数据的数据集使用推断

Wojciech Łapacz, Stanisław Pawlak, Jan Dubiński, Franziska Boenisch, Adam Dziedzic

机构 * Warsaw University of Technology（华沙理工大学） ； NASK National Research Institute（NASK国家研究所） ； CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） 纠错

AI总结 提出一种无需影子模型和真实保留数据的数据集使用推断方法，通过生成合成非成员样本并利用混合比例估计来量化训练数据占比。

Comments Accepted at the 2nd Workshop on Synthetic & Adversarial ForEnsics (SAFE), CVPR 2026 (non-archival)

Compiling OpenSCENARIO 2.1 for Scenario-Based Testing in CARLA

将OpenSCENARIO 2.1编译为基于场景的测试在CARLA中

Thoshitha Gamage, Lasanthi Gamage

机构 * Department of Computer Science（计算机科学系） ； Southern Illinois University Edwardsville（南伊利诺伊大学埃文斯顿分校） ； Webster University（韦伯斯特大学） 纠错

AI总结 本文提出一种多阶段编译器架构，将OpenSCENARIO 2.1 DSL直接编译为CARLA可执行行为，通过ANTLR4前端生成AST，语义中间件和运行时后端合成py_trees行为树，实现与CARLA过程API的直接映射，验证了并发动作、动态数学表达式和异步信号的处理能力。

Journal ref Presented at the 3rd Workshop on Simulation for Autonomous Driving (SAD) at CVPR 2026

Sign Language Recognition in the Age of LLMs

在大语言模型时代的手语识别

Vaclav Javorek, Jakub Honzik, Ivan Gruber, Tomas Zelezny, Marek Hruz

机构 * University of West Bohemia（西波西米亚大学） ； Eindhoven University of Technology（埃因霍温理工大学） 纠错

AI总结 研究探讨现代VLMs在零样本条件下进行孤立手语识别的能力，发现开源模型表现欠佳，而大模型在精度上表现突出，强调模型规模和训练数据多样性的重要性。

Comments Accepted at the CVPR 2026 Workshop on Multimodal Sign Language Research (MSLR), 8 pages, 3 figures

Journal ref Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2026, pp. 10511-10519

GRAFT: Graph-Based Affordance Transfer via Part Correspondence

GRAFT: 基于部件对应的图结构功能迁移

Mengying Lin, Utkarsh Mishra, Ajay Mandlekar, Danfei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA（英伟达） 纠错

AI总结 提出GRAFT框架，利用部件级图表示和几何感知对应，通过单次演示实现零样本操作迁移，解决泛化到未见物体的挑战。

Journal ref In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026, pp. 8746-8755

SymphoMotion: Joint Control of Camera Motion and Object Dynamics for Coherent Video Generation

SymphoMotion：相机运动与物体动态的联合控制以实现一致的视频生成

Guiyu Zhang, Yabo Chen, Xunzhi Xiang, Junchao Huang, Zhongyu Wang, Li Jiang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shanghai Jiaotong University（上海交通大学） ； Nanjing University（南京大学） ； Beihang University（北京航空航天大学） 纠错

AI总结 SymphoMotion通过联合控制相机运动和物体动态，提高视频生成的一致性和表达性，其核心方法结合了相机轨迹控制与物体动态控制机制，并引入了RealCOD-25K数据集进行大规模训练和评估，显著提升了视觉保真度和物体运动准确性。

Comments CVPR 2026

Weight Space Representation Learning via Neural Field Adaptation

通过神经场自适应进行权重空间表示学习

Zhuoqian Yang, Mathieu Salzmann, Sabine Süsstrunk

机构 * EPFL（苏黎世联邦理工学院） 纠错

AI总结 提出利用预训练基础模型和低秩自适应约束优化空间，诱导权重空间结构，实现高质量、有区分性和语义结构的表示，并在潜在扩散模型中提升生成质量。

Comments 9 pages body, 9 pages appendix

Journal ref CVPR 2026

VENI: Variational Encoder for Natural Illumination

VENI: 自然光照的变分编码器

Paul Walker, James A. D. Gardner, Andreea Ardelean, William A. P. Smith, Bernhard Egger

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； University of York（约克大学） 纠错

AI总结 提出一种旋转等变变分自编码器，通过新型向量神经元视觉变换器（VN-ViT）编码器和旋转等变条件神经场解码器，在球面上建模自然光照，无需2D投影，实现更平滑的潜空间插值。

Comments Project Repo - https://github.com/paul-pw/veni Project page - https://paul-pw.github.io/veni

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2026) 16248-16257

Zero-Shot Denoising for Fluorescence Lifetime Imaging Microscopy with Intensity-Guided Learning

零样本去噪用于荧光寿命成像显微镜的强度引导学习

Hao Chen, Julian Najera, Dagmawit Geresu, Meenal Datta, Cody Smith, Scott Howard

AI总结 本文提出一种零样本去噪框架，通过强度引导学习在荧光寿命成像显微镜中提升图像质量，保留生物信息，优于现有方法。

Comments 9 pages,4 figures and 2 tables

Journal ref In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 4758-4767. 2025

Universal Guideline-Driven Image Clustering via a Hybrid LLM Agent

通用指南驱动图像聚类：基于混合LLM代理

Wenliang Zhong, Rob Barton, Lucas Goncalves, Kushal Kumar, Feng Jiang, Hehuan Ma, Yuzhi Guo, Vidit Bansal, Karim Bouyarmane, Junzhou Huang

机构 * The University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； Amazon（亚马逊） 纠错

AI总结 提出首个通用图像聚类框架，通过文本指南弥合任务差异，利用生成式概念代理建模和基于最小生成树的LLM遍历，在多种聚类场景中超越专用方法。

Comments CVPR 2026