期刊&会议
Conference on Computer Vision and Pattern Recognition · 会议 · Computer Vision
DUET-VLM：双阶段统一高效令牌减少用于VLM训练和推理
机构 * Advanced Micro Devices, Inc. (AMD)（超威半导体公司（AMD））
AI总结 DUET-VLM通过双阶段令牌压缩框架，在保持语义的同时显著减少视觉令牌数量，实现高效训练和推理。
Comments 15 Pages, 8 figures, 15 tables, CVPR 2026; Code: AGI/DUET-VLM" target="_blank" rel="noopener">https://github.com/AMD-AGI/DUET-VLM
ReflexSplit：通过层融合-分离实现单图像反射分离
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； National Cheng Kung University（国立成功大学）
AI总结 本文提出ReflexSplit框架，通过跨尺度门控融合、层融合-分离模块和课程学习方法，解决单图像反射分离中的传输-反射混淆问题，实现更高质量的分离效果。
Comments CVPR 2026 Camera Ready; Project page: https://wuw2135.github.io/ReflexSplit-ProjectPage/
Particulate: 用于前馈的3D物体关节化
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 Particulate通过前馈模型从3D网格推断关节结构，包括3D部分、运动结构和约束，利用Transformer网络实现高效推理，速度快于传统方法，且适用于AI生成的3D资产。
Comments CVPR 2026. Project page: https://ruiningli.com/particulate
听重点！基于文本的视频到音频生成
机构 * Graduate School of Cultural Technology, KAIST（韩国科学技术院文化技术研究生院） ； Division of AI and Software, Ewha Womans University（梨花女子大学人工智能与软件学部）
AI总结 本文提出基于文本的视频到音频生成任务，通过文本提示选择性提取视频中相关声音源，提升多对象视频音频处理精度。SELVA模型通过文本提示选择视频编码器中的视觉特征，结合补充标记和自监督学习提升音频质量与同步性。
Comments accepted to CVPR 2026
WorldMM: 动态多模态记忆代理用于长视频推理
机构 * KAIST（韩国科学技术院） ； NTU Singapore（新加坡南洋理工大学）
AI总结 WorldMM通过构建和检索多种互补记忆，提升长视频推理能力，实现8.4%的性能提升。
Comments CVPR 2026. Project page : https://worldmm.github.io
Wanderland: 为开放世界具身AI提供几何学基础的模拟
机构 * New York University（纽约大学） ； Cornell University（康奈尔大学）
AI总结 本文提出Wanderland框架，通过多传感器采集和高精度几何重建，解决开放世界具身AI中模拟与现实差距大的问题，并展示其在导航政策学习中的应用。
Comments CVPR 2026
ReBaPL：排斥式贝叶斯提示学习
机构 * Sigma Nova ； Rhizome Labs
AI总结 本文提出ReBaPL，一种基于贝叶斯推理的提示学习方法，通过引入排斥力促进探索，提升模型鲁棒性和泛化能力。
Journal ref The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026
重新思考基于扩散模型的视频超分辨率：利用对齐特征的密集引导
机构 * Beihang University（北京航空航天大学） ； State Key Laboratory of Virtual Reality Technology and Systems（虚拟现实技术与系统国家重点实验室）
AI总结 本文提出DGAF-VSR方法，通过优化对齐和补偿机制提升视频超分辨率的感知质量、保真度和时间一致性。
Comments Accepted by CVPR 2026,20pages
何时思考，何时回顾：不确定性引导的回顾
机构 * University of Rochester（罗切斯特大学） ； University of Michigan（密歇根大学） ； Binghamton University（宾汉姆顿大学）
AI总结 本文探讨了在大视觉语言模型中思考与回顾的平衡，提出不确定性引导的回顾策略，通过大规模对比实验提升MMMU性能，并在多个基准上取得新突破。
Comments Accepted to CVPR 2026
PriVi：一种面向野生灵长类行为的通用视频模型
AI总结 PriVi通过数据驱动方法构建大规模灵长类视频预训练数据集，提升视频模型在低标签场景下的数据效率和泛化能力，优于现有方法。
Comments 9 pages, 5 figures, CVPR 2026
一个补丁即可描述它们全部：一种统一的零样本描述框架
机构 * ISTI-CNR, Italy（意大利国家研究委员会信息科学与技术研究所） ； University of Pisa, Italy（比萨大学）
AI总结 本文提出一种统一的零样本描述框架，从图像中心转向补丁中心范式，使能描述任意区域而不需区域级监督。通过将单个补丁视为原子描述单元，实现对任意区域的描述，实验表明有意义的密集视觉特征对多区域描述任务至关重要。
Comments IEEE CVF Conference on Computer Vision and Pattern Recognition 2026. Project page with code, models and examples: https://paciosoft.com/Patch-ioner/
GeoSURGE: 通过地理嵌入层次结构的语义融合进行地理定位
机构 * SRI International（SRI国际）
AI总结 本文提出GeoSURGE方法，通过层次化地理嵌入和语义融合模块提升地理定位的准确性，实验表明在多个基准测试中取得新突破。
Comments Accepted to CVPR 2026 main track
ExtrinSplat：解耦几何与语义以实现3D高斯散射中的开放词汇理解
机构 * Guangdong Provincial Key Laboratory of Ultra High Definition Immersive Media Technology, Shenzhen Graduate School, Peking University（广东省超高清沉浸式媒体技术重点实验室，北京大学深圳研究生院） ； School of Computer Science and Technology, Tianjin University（天津大学计算机科学与技术学院） ； Guangdong Bohua UHD Innovation Center Co., Ltd.（广东博华超高清创新中心有限公司）
AI总结 ExtrinSplat通过解耦几何与语义，利用视觉语言模型生成轻量文本假设，提升3D高斯散射中开放词汇物体选择和语义分割的性能和效率。
Comments Accepted to CVPR 2026
StreamDiT：实时流式文本到视频生成
机构 * UC Berkeley（加州大学伯克利分校） ； Meta
AI总结 本文提出StreamDiT模型，通过流匹配和混合训练提升内容一致性和视觉质量，实现16FPS实时视频生成，支持流式生成等实时应用。
Comments CVPR 2026
Score2Instruct: 通过自动化维度评分扩展视频质量导向的指令
机构 * Tsinghua University（清华大学） ； Kuaishou Technology（快手科技）
AI总结 本文提出Score2Instruct管道，通过自动化生成视频质量指令数据，提升视频大模型的质量评分和解释能力，构建了S2I-Bench基准测试集并验证了方法的有效性。
Comments 16 pages, 5 figures. Accepted by CVPR 2026 main conference
FairLLaVA: 大规模视觉-语言助手中的公平性感知参数高效微调
机构 * University at Buffalo（布法罗大学） ； University of Kashmir（克什米尔大学） ； Accenture（埃森哲） ； Harvard Medical School（哈佛医学院）
AI总结 FairLLaVA通过减少目标属性间的互信息，实现视觉指令微调中的公平性改进，提升医疗影像生成的公平性和自然语言生成质量。
Comments Accepted to CVPR 2026
邻域感知的局部概念擦除在文本到图像扩散模型中
机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； EPFL（瑞士联邦理工学院洛桑分校）
AI总结 本文提出一种无需训练的框架，用于在移除目标概念的同时保护邻域概念。通过三个阶段处理：谱加权嵌入调节、注意力引导的空间门控和空间门控硬擦除，实现局部概念移除并保持周围概念结构。
Comments Accepted by CVPR 2026 main
强化结构链式思考以提升视频理解
机构 * Stony Brook University（石溪大学） ； Amazon（亚马逊）
AI总结 本文提出SDRL框架，通过结构化链式思考格式和自监督机制，解决多模态大语言模型在视频理解中的推理漂移和时间感知问题，实现单阶段强化学习，提升模型泛化能力。
Comments Accepted to CVPR 2026 (Main Conference)
GUIDE：一个用于理解和协助用户进行开放性GUI任务的基准测试
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； Konkuk University（建国大学） ； Google Inc.（谷歌公司） ； SkillBench
AI总结 GUIDE基准测试旨在评估AI模型在开放性GUI任务中感知用户行为、推断意图和提供帮助的能力，通过120名新手用户的10种软件屏幕记录，发现模型在行为状态和帮助预测上准确率仅为44.6%和55.0%，但提供用户上下文可提升帮助预测性能达50.2个百分点。
Comments Accepted at CVPR 2026
Geo²：基于几何的跨视角地理定位与图像合成
机构 * Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所） ； University of Vermont（佛蒙特大学）
AI总结 本文提出Geo²框架，利用几何先验知识联合完成跨视角地理定位和双向图像合成，通过共享3D感知潜在空间和GeoFlow模型提升性能。
Journal ref 2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)
ArtHOI：通过基础模型驯化实现单目4D手-物体交互重建
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出ArtHOI框架，通过整合多基础模型先验知识，解决单目视频中手-物体交互的4D重建问题，引入自适应采样细化和多模态大语言模型引导对齐方法，构建两个新数据集并验证方法有效性。
Comments Accepted to CVPR 2026
聚焦-感知表示学习：一种受认知启发的分层框架用于内镜视频分析
机构 * Key Laboratory of Intelligent Computing and Information Processing of Ministry of Education, Xiangtan University（湘潭大学教育部智能计算与信息处理重点实验室） ； School of Computer Science, Xiangtan University（湘潭大学计算机科学学院） ； Key Laboratory for Artificial Intelligence and International Communication, Hunan Normal University（湖南师范大学人工智能与国际传播重点实验室）
AI总结 本文提出FPRL框架，通过聚焦局部病变区域学习静态语义，再感知跨帧演化以建模上下文语义，提升内镜视频分析性能。
Comments Accepted to CVPR 2026
解锁强监督：面向通用音频预训练方法的数据导向研究
机构 * Zhejiang University（浙江大学） ； Tencent AI Lab（腾讯AI实验室） ； UT-Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出通过高质量数据构建强监督框架，对比不同预训练目标，发现数据质量和覆盖范围是性能关键因素，目标选择决定下游任务专精。
Comments Accepted to CVPR 2026
MIBURI：迈向表达性交互手势合成
机构 * Max Planck Institute for Informatics, SIC（马克斯·普朗克信息学研究所，SIC） ； Saarland University（萨尔大学）
AI总结 MIBURI提出首个实时因果框架，生成与实时口语对话同步的表达性全身手势和面部表情，通过多级离散标记和辅助目标提升自然度与多样性。
Comments CVPR 2026 (Main). Project page: https://vcai.mpi-inf.mpg.de/projects/MIBURI/
FedRE：一种用于模型异质联邦学习的表示纠缠框架
机构 * Teleinfo, CAICT（中国信息通信研究院） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of British Columbia（不列颠哥伦比亚大学） ； China University of Mining and Technology-Beijing（中国矿业大学（北京）） ； China University of Mining and Technology（中国矿业大学） ； Beijing Jiaotong University（北京交通大学）
AI总结 FedRE提出了一种表示纠缠框架，通过纠缠表示和纠缠标签编码提升模型异质联邦学习的性能，平衡模型效果、隐私保护和通信开销。
Comments Accepted by CVPR 2026
超越深度伪造与真实：在开集范式下的人脸深度伪造检测
机构 * The University of Melbourne（墨尔本大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出基于监督对比学习的开集深度伪造分类算法，旨在提升对新兴深度伪造技术的检测能力，通过FaceForensics++数据集验证，实现领先性能。
Comments IEEE/CVF Conference on Computer Vision and Pattern Recognition - Workshop
Drive My Way: 为个性化驾驶的视觉-语言-动作模型偏好对齐
机构 * University of California, Riverside（加州大学河滨分校） ； University of Michigan（密歇根大学）
AI总结 本文提出Drive My Way框架，通过学习用户驾驶习惯和自然语言指令，实现个性化驾驶，提升对用户意图的适应能力。
Comments IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2026); Project website: https://dmw-cvpr.github.io/
PSDesigner: 基于人类创意流程的自动化图形设计
机构 * Institute of Big Data, College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院大数据研究所） ； Generative AI Lab, College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院生成式人工智能实验室）
AI总结 PSDesigner通过模拟人类设计师的创意流程，实现了自动化图形设计，通过设计数据集CreativePSD提升工具使用能力，在多种设计任务中优于现有方法，使非专业人士能轻松创建高质量设计。
Comments CVPR 2026, Project Page: https://henghuiding.com/PSDesigner/
SlotVTG: 用于通用视频时间定位的对象中心适配器
机构 * Kyung Hee University（庆熙大学） ； University of Southern California（南加州大学）
AI总结 SlotVTG通过引入轻量级槽适配器，使MLLMs在最小成本下实现对象中心的输入关联视觉推理，提升跨域鲁棒性的同时保持领域内性能。
Comments Accepted to GRAIL-V workshop at CVPR 2026
LEMMA：用于高效海洋语义分割的拉普拉斯金字塔
机构 * Manipal Institute of Technology, Manipal Academy of Higher Education（马尼帕尔理工学院，马尼帕尔高等教育学院）
AI总结 LEMMA通过拉普拉斯金字塔提升边缘识别，降低计算成本，实现高效海洋遥感分割，展现优异性能。
Comments Accepted at the MaCVi Workshop, CVPR 2026
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