ECCV 2026 | 北航&清华AIR等提出DriveTeach-VLA：3B模型刷榜NAVSIM，VLA规划新视角
“纸上得来终觉浅，绝知‘行’事要躬行。”当下的端到端自动驾驶 VLA 模型虽能凭借思维链（CoT）头头是道地分析路况，却往往陷入“纸上谈兵”的窘境——文本说得天花乱坠，视觉注意力却在物理空间中飘忽涣散
2026-09-20 22:35 · 摘要已收录，可打开文章获取原文内容
清华&生数科技发布Vidu S2：实时720p交互数字人与流式视频编辑双突破
“千呼万唤始出来，犹抱琵琶半遮面”——这句诗恰如其分地道尽了当下视频生成大模型的现实痛点：用户输入提示词后，往往需要经历数分钟乃至数十分钟的漫长等待，最终只能被动接收一段无法即时干预的成品，与即时通讯
2026-09-19 23:45 · 摘要已收录，可打开文章获取原文内容
单线程CPU破局神经图像编解码,126ms解码1080p!微软亚研院&中科大开源极轻量图像编解码器PULSE
在神经图像压缩（LIC）领域，高压缩比与低算力消耗向来犹如“鱼与熊掌不可兼得”。近年学术界的前沿架构虽屡破率失真极限，但接收端动辄数百 kMAC/pixel 的庞大算力开销，使得解码在无独立加速卡的边
2026-09-18 23:51 · 摘要已收录，可打开文章获取原文内容
离开沙箱后，最强 Agent 只做对三分之一：ClawBench 的真实网页大考
八款前沿大模型在真实网站上替你完成购物、预约、投简历……最强的 Claude Sonnet 4.6 成功率仅 33.3%。实验室里的"高分选手"为何在现实世界频频翻车？本文深度解读 EMNLP 202
2026-09-17 23:03 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 最佳论文提名 | 石溪大学提出Poppy：冻结RGB大模型，偏振引导单目法线估计MAE直降26%
在自然界中，蜜蜂与深海甲壳动物能凭借独特的“偏振视觉”，轻松看透水面波光与阴影伪装；而以 MoGe-2、Marigold 为代表的大模型，纵有海量 RGB 数据加持，面对强反光、纯色弱纹理和低反照率暗
2026-09-17 23:03 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 最佳论文提名 | Meta现实实验室与英伟达联合提出LSRM：大尺度稀疏重建模型打破前向3D纹理模糊瓶颈
古人论画常叹“得其形易，传其神难”——过去几年的前向三维大模型亦面临同样的尴尬：仅需数秒虽能拟合几何轮廓，但一旦拉近镜头，商标涂抹、字符糊成色块、面容走样变形等顽疾便无所遁形，感知质量被传统耗时漫长的
2026-09-16 21:53 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 Oral 最佳论文奖 | 帝国理工学院提出HKTex：摆脱UV展开，用「不泼溅」的测地高斯重塑3D纹理
十九世纪高斯在“绝妙定理”中便已揭示：弯曲的曲面注定无法在不产生拉伸与剪切的前提下完美展平为二维平面。然而数十年来，3D 渲染与内容创作却始终被传统 UV 展开（UV Mapping）所掣肘——接缝撕
2026-09-15 23:03 · 摘要已收录，可打开文章获取原文内容
商汤SenseNova-U1.5发布：无编码器无VAE，原生统一8B模型斩获多项开源第一
当前主流多模态大模型在架构上普遍面临一道“无形隔阂”：模型的“眼睛”依靠外部预训练视觉编码器（如 CLIP 或 SigLIP），负责抽取高度抽象的语义特征；而其“画笔”则交由变分自编码器（Variat
2026-09-14 19:49 · 摘要已收录，可打开文章获取原文内容
CLIP×DINO 鉴伪新范式｜两大视觉基础模型联手，专治没见过的假脸
同一张假脸，一个模型判断为真，另一个却能发现异常。面对不断变化的换脸、表情驱动和整脸生成技术，鉴伪器的难点已经不只是记住训练集里的破绽：当伪造方式改变，它依赖的线索还有效吗？北京交通大学、清华大学与蚂
2026-09-13 14:21 · 摘要已收录，可打开文章获取原文内容
从Detection到Understanding：基础模型驱动的视频异常理解研究综述
近日，西北工业大学与新加坡管理大学研究团队合作完成的综述论文 “A Survey on Foundation Model-Driven Video Anomaly Understanding” 被SC
2026-09-12 15:27 · 摘要已收录，可打开文章获取原文内容
AnomalyCraft-700K：把异常事件拆解为语义组件，以可控、可验证的细粒度合成数据支持视频异常理解
论文标题： AnomalyCraft-700K: Component-Level Controllable and Verifiable Synthetic Anomalies for Fine-Gr
2026-09-11 23:02 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 | 画条线就能让人物"走"进真实场景：安徽大学、萨里大学等提出 3STC-HIA 实现人、景、相机和谐可控的图像动画
让一张照片里的人物"动起来"，即从一张图像生成人物动作视频，已不是新鲜事，但如果要求更高一点——让人物做着你指定的动作、沿着你随手画的路线行走、随上坡下坡或阶梯的地势起伏自动调整适应场景、同时镜头还能
2026-09-11 23:02 · 摘要已收录，可打开文章获取原文内容
EMNLP 2026 | 清华&北邮等提出DIVA：揭示离散扩散多模态大模型「跨步条件传播」安全漏洞
去噪每步皆成破绽
2026-09-10 23:43 · 摘要已收录，可打开文章获取原文内容
Puffin-World：面向空间智能的统一世界模型，从“生成画面”走向“理解并构建物理可信世界”
世界模型正在成为空间智能和物理AI的重要技术主线。真正的世界模型不应只是逐帧生成逼真的像素，还需要理解当前视角所处的物理世界朝向、场景的几何结构，并支持对世界的建模与连贯模拟。在这一方向上，来自南洋理
2026-09-09 12:34 · 摘要已收录，可打开文章获取原文内容
985高校36所、211高校85所：我们的“科研朋友圈”
2026年，西班牙巴塞罗那，ICASSP 2026闭幕式。台下数千名全球顶尖研究者看到了一个名字——深度之眼。这家来自中国的AI教育品牌，与Meta等国际科技巨头一同出现在Paper Award Sp
2026-09-08 12:28 · 摘要已收录，可打开文章获取原文内容
深度学习最常见的5种模型创新路线，Baseline跑通后可以这样改
很多人做深度学习，Baseline跑通了，结果也有了，然后就不知道怎么改了。搞最后就只剩下几个老思路：加Attention、换卷积、堆Transformer……其实模型创新没那么难，很多工作本质上都可
2026-09-08 12:28 · 摘要已收录，可打开文章获取原文内容
北交/清华/蚂蚁提出ARGUS：先观察，再决策，多智能体协同"断案"，让深度伪造视频检测有据可循
看起来毫无破绽的视频，真的是实拍吗？当鉴伪模型给出“AI 生成”的判断时，我们还希望知道：它依据了哪些画面线索，遇到未见过的生成器还能否判断准确？北京交通大学、清华大学与蚂蚁集团的研究者提出 ARGU
2026-09-07 22:57 · 摘要已收录，可打开文章获取原文内容
WACV 2027 | 帝国理工提出ViTAMINS：合成难负样本加持，视觉Transformer对比学习重获新生
在掩码生成（MAE）与自蒸馏（DINO）分庭抗礼的视觉自监督时代，曾立下赫赫战功的对比学习在视觉 Transformer（ViT）架构上似乎日渐式微。来自帝国理工学院的研究团队在 WACV 2027
2026-09-06 23:41 · 摘要已收录，可打开文章获取原文内容
诚邀出席｜MARS2 × Tec-Do 学术交流 · 9 月 9 日瑞典马尔默
关于 MARS2 WorkshopMARS2（Multimodal Reasoning and Slow Thinking in the Large Model Era: Towards System
2026-09-05 23:18 · 摘要已收录，可打开文章获取原文内容
MM'26 Oral｜VersaVogue：统一服装生成与虚拟穿搭的 AI 时尚生成框架
生成式 AI 正在快速改变服装设计与电商展示，但现有方法通常只关注其中一个环节：要么用于服装生成，要么用于虚拟穿搭。与此同时，当版型、颜色、Logo、参考服装和文本描述等多种条件同时输入时，不同信息之
2026-09-05 23:18 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 用生成视频的方式学3D几何：萨里大学与帝国理工等提出GeoNeXt，仅用5.9万数据超越海量监督模型
在计算机视觉领域，从单张RGB图像中精确恢复场景的三维几何结构（如深度和表面法线）是一项基础且极具挑战性的任务。近年来，利用预训练生成扩散模型强大的视觉先验进行几何估计逐渐成为热点。然而，现有方法大多
2026-09-04 23:56 · 摘要已收录，可打开文章获取原文内容
AI鉴伪翻车！全新基准DailyBench：揭穿当下AI图像检测的真实短板
如今AI绘图技术飞速迭代，SD、FLUX、通义千问等模型生成的图片，早已摆脱早期模糊、失真的低级破绽，做到以假乱真、细节逼真。与此同时，各类AI图像检测工具层出不穷，动辄宣称90%+的识别准确率。但一
2026-09-03 18:03 · 摘要已收录，可打开文章获取原文内容
EMNLP 2026 | 当投毒数据看起来完全无害：仅用无害数据实现隐蔽 LLM 后门攻击
近年来，大语言模型（Large Language Models, LLMs）通过大规模预训练和监督微调（Supervised Fine-Tuning, SFT），在问答、写作、代码生成等任务上展现出强
2026-09-02 22:42 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 PhyGDPO: 增强视频生成模型物理一致性的强化学习新框架
本文为粉丝投稿。这篇工作提出了一个新的 offline 强化学习框架 PhyGDPO 来提升文生视频模型的物理动态一致性。文章首先提出了一种筛选物理密集场景的视频数据管线 PhyAugPipe，然后从
2026-09-01 23:39 · 摘要已收录，可打开文章获取原文内容
当大模型用于灾害遥感：谷歌GeBDA实现端到端密集建筑物定位与毁损定级，F1接近SOTA专用模型
最近吉隆口岸的地质灾害引发全球关注，本文介绍一篇最新的VLM用于灾害遥感的谷歌的新作。自然灾害救援“兵贵神速”，利用卫星遥感影像迅速绘制建筑物毁损地图关乎生死竞速。然而，传统遥感方案高度依赖单一任务的
2026-08-31 23:24 · 摘要已收录，可打开文章获取原文内容
分久必合：统一伪造图像检测 | Unified Fake Image Detection
本文作者：周吉喆原文链接：https://knightzjz.github.io/blog/unified-fid.html大家猜猜看下面这张聊天截图用了什么伪造手法：选项：两张聊天截图（真图）进行了
2026-08-31 23:24 · 摘要已收录，可打开文章获取原文内容
阿里达摩院与清华浙大等提出ClinFusion：以视觉为中心的医疗多模态新范式，超越顶尖商业大模型
在现代临床中，从二维 X 光片、病理切片到三维 CT、MRI 序列，视觉证据承载了绝大部分关键诊疗决策。然而，现有医疗多模态大模型大多受制于单体编码器架构，在异构影像吸收与临床评估上面临严重失真。为此
2026-08-30 23:23 · 摘要已收录，可打开文章获取原文内容
ECCV 2026：WeatherCrafter：当视频生成遇上语义、物理与几何，如何让一场雨雪真正“下起来”？
解读论文：Semantic-Aware, Physics-Informed, Geometry-Grounded Weather Video SynthesisarXiv:2606.29020 · E
2026-08-29 23:51 · 摘要已收录，可打开文章获取原文内容
EMNLP 2026 | 多模态推理模型不仅要“答对”，还要“思考对”：RC-DPO显式学习推理链增强多模态能力
近年来，以 DeepSeek-R1 为代表的推理模型通过显式生成中间推理过程，在数学、代码和复杂逻辑推理等任务上展现出强大能力。随着这一推理范式逐渐扩展至视觉语言场景，多模态推理模型（Multimod
2026-08-28 20:18 · 摘要已收录，可打开文章获取原文内容
中山大学智能工程学院招收 2027 级“空间智能”方向博士生
一、单位简介中山大学是教育部直属综合性重点大学。中山大学智能工程学院是中山大学深圳校区新工科布局的重要组成成分，紧跟国家战略发展方向和产业升级人才需求，致力于培养应用型、复合型、工程型、创新型的高素质
2026-08-27 23:54 · 摘要已收录，可打开文章获取原文内容