ECCV

OmniNWM: Omniscient Driving Navigation World Models

OmniNWM：全知驾驶导航世界模型

Bohan Li, Zhuang Ma, Dalong Du, Baorui Peng, Zhujin Liang, Zhenqiang Liu, Xianda Guo, Zheng Zhu, Chao Ma, Yueming Jin, Xin Jin, Hao Zhao, Wenjun Zeng

机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（东部技术研究所） ； PhiGent ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； Wuhan University（武汉大学） 纠错

AI总结 提出OmniNWM全知全景导航世界模型，在统一概率框架下处理状态、动作和奖励三个维度，实现多模态全景视频生成、零样本轨迹控制及内在奖励机制，在生成保真度和控制精度上达到SOTA。

Comments ECCV 2026

EgoExo-Con: Exploring View-Invariant Video Temporal Understanding

EgoExo-Con: 探索视角不变视频时间理解

Minjoon Jung, Junbin Xiao, Junghyun Kim, Byoung-Tak Zhang, Angela Yao

机构 * Seoul National University（首尔国立大学） ； University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 提出EgoExo-Con基准测试，评估视频大模型在不同视角下的时间理解一致性，并设计View-GRPO强化学习框架提升跨视角一致性。

Comments Accepted to ECCV 2026; project page at https://minjoong507.github.io/projects/EgoExo-Con/

HEM: a margin-based loss for visual categorisation tasks

HEM：一种用于视觉分类任务的基于边界的损失函数

Michael W. Spratling, Heiko H. Schütt

机构 * Department of Behavioural and Cognitive Sciences（行为与认知科学系） 纠错

AI总结 提出高错误边际（HEM）损失，一种改进的基于边界的损失函数，在多种视觉任务（如未知类拒绝、对抗鲁棒性、不平衡学习、持续学习和语义分割）上优于交叉熵损失，且与专门损失相比具有竞争力。

Comments Code: https://codeberg.org/mwspratling/HEMLoss

Journal ref European Conference on Computer Vision (ECCV), 2026