ECCV

Deformable Triangle Splatting: Flexible Primitives for Real-Time Radiance Field Rendering

可变形三角形散列：用于实时辐射场渲染的灵活基元

Oriol Jiménez-Ayguadé, Antonio Agudo

机构 * Institut de Robòtica i Informàtica Industrial, CSIC-UPC（工业机器人与信息学研究所，西班牙国家研究委员会-加泰罗尼亚理工大学） 纠错

AI总结 研究针对辐射场方法依赖凸边界问题，提出可变形三角形散列，通过控制点和位移实现非凸形状表示，设计光栅化管道可微渲染，经多种场景验证，在视觉质量、通用性和渲染效率上表现出色。

Comments Accepted at ECCV 2026. Project page: https://orioljim1.github.io/detris

SiPhy: Single-Image Physical Property Reasoning

SiPhy：单图像物理属性推理

Hoang Le, Joonwoo Kwon, Elkhan Ismayilzada, Yufei Zhang, Zijun Cui

机构 * Michigan State University（密歇根州立大学） 纠错

AI总结 研究从单图像推断物理属性，核心方法是引入SiPhy框架，将视觉线索与材料知识对齐，通过采样、提取特征等操作及对比聚合器、重量感知细化来实现。在多个数据集上取得领先性能，还验证了其在真实交互数据集上作为数据标注引擎的潜力。

Comments Accepted to ECCV 2026 (main track)

InnoText: A Unified Model for Visual Text Generation and Editing

InnoText：一种用于视觉文本生成和编辑的统一模型

Haowei Liu, Runze He, Jian Lu, Ao Ma, Run Ling, Ke Cao, Jiasong Feng, Wei Feng, Shuo Lu, Yexing Xu, Yun Wang, Jing Wang, Zhanjie Zhang

机构 * JD.com, Inc.（京东公司） ； University of Chinese Academy of Sciences（中国科学院大学） ； Chongqing University of Post and Telecommunications（重庆邮电大学） ； Beijing University of Technology（北京工业大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； City University of Hong Kong（香港城市大学） ； Zhejiang University（浙江大学） 纠错

AI总结 针对视觉文本生成和编辑的挑战，提出基于DiT的统一框架InnoText，通过引入字体大小感知调制模块等策略，构建双语数据集，实现了在单个模型中进行文本生成和编辑，提升了生成精度和编辑质量。

Comments Accepted by ECCV 2026

FAIR: Feature-Augmented Implicit Regularization for AI-generated Fake Image Detection

FAIR：用于人工智能生成的假图像检测的特征增强隐式正则化

Md Redwanul Haque, Manzur Murshed, Manoranjan Paul, Tsz-Kwan Lee

机构 * Deakin University（迪肯大学） ； Charles Sturt University（查尔斯·斯特尔特大学） 纠错

AI总结 针对人工智能生成图像检测中泛化难的问题，提出FAIR方法，通过引入场景构图结构（SCS）特征增强隐式正则化，训练时约束模型优化轨迹，推理时丢弃结构先验，提升跨生成器泛化能力，在多基准测试中提高准确率。

Comments Accepted to ECCV 2026

SAFE-Pruner: Semantic Attention-Guided Future-Aware Token Pruning for Efficient Vision-Language-Action Manipulation

SAFE-Pruner: 语义注意力引导的未来感知令牌剪枝用于高效视觉-语言-动作操控

Shilin Ma, Chubin Zhang, Changyuan Wang, Yuji Wang, Yue Wu, Zixuan Wang, Jingqi Tian, Zheng Zhu, Yansong Tang

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） 纠错

AI总结 针对视觉-语言-动作模型推理加速中现有剪枝方法忽略深层视觉信息的问题，提出SAFE-Pruner框架，通过引入未来层注意力线索和语义注意力一致性实现前瞻性令牌剪枝，在仿真和真实实验中取得最高1.89倍加速且成功率下降小于1.7%。

Comments Accepted to ECCV 2026

The 3D Mirage: Probing and Taming 3D Hallucinations

真实场景中的逼真幻影道路：从物理几何中解构3D幻觉

Hoang Nguyen, Xiaohao Xu, Xiaonan Huang

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出首个端到端框架，用于探测、量化和抑制单目深度模型中因几何平面输入而产生的3D幻觉现象，通过引入3D-幻影基准和基于拉普拉斯的评估框架，提升深度模型的结构和上下文鲁棒性。

Comments Accepted to ECCV 2026