敢上线才是真能打！通用多模态向量模型WeMM-Embedding：2B超越8B基线，9B登顶MMEB-v2榜首
在多模态大模型时代，如何将文本、图像、视频、图文交织文档乃至复杂的交互指令统一映射到同一连续几何空间中，是支撑跨模态检索、多模态智能体、语义推荐及知识库构建的核心技术命题。传统基于双塔 CLIP 架构
2026-08-27 23:54 · 摘要已收录，可打开文章获取原文内容
ACM MM 2026 | 南洋理工等提出DriftAD：告别静态Prompt，文本动态“漂移”刷新少样本工业异常检测SOTA
在工业质检场景中，微小缺陷往往千差万别，而现有基于视觉语言模型（VLM）的少样本异常检测方法却如同“按图索骥”——无论缺陷形态如何，文本端始终使用一成不变的全局静态 Prompt，导致生成的异常响应图
2026-08-26 22:54 · 摘要已收录，可打开文章获取原文内容
ECCV 2026｜DDE：让视觉语言模型在测试时学会识别噪声
在真实应用中，视觉语言模型（VLM）接收到的测试流往往并不干净。除了属于已知类别的样本，还可能混入分布偏移样本、未知类别样本和各种 OOD 噪声。模型需要一边适应新的视觉分布，一边准确分类已知样本，并
2026-08-25 21:14 · 摘要已收录，可打开文章获取原文内容
南开程明明实验室提出OraRL：不用思维链，标注即rollout，大模型强化学习又快又准
本篇分享论文 Annotations as Rollouts: Efficient and Scalable Reinforcement Learning for Video MLLMs，南开大学程明
2026-08-25 21:14 · 摘要已收录，可打开文章获取原文内容
TGRS 2026 | 北理工提出RDANet：攻克红外小目标检测中的尺度与场景相对退化
在航空预警与遥感监视中，红外小目标检测（IRSTD）堪比“沙里淘金”——目标往往仅占寥寥数个像素，微弱对比度深陷于汹涌的背景杂波中。近期被 IEEE TGRS 2026 录用的论文中，来自北京理工大学
2026-08-24 23:12 · 摘要已收录，可打开文章获取原文内容
哈工深等提出TTTIR：将测试时训练（TTT）引入图像恢复，0.787M参数刷新多项SOTA
古语云：“量体裁衣，对症下药。”但在底层视觉（Low-Level Vision）领域，面对千差万别的雨丝、暗光与雾霾，主流 CNN、Transformer 及 SSM 却长期受困于“一把钥匙开万把锁”
2026-08-23 23:44 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 LSVOS 夺冠方案！哈工大（深圳）等提出 VOS-Agent：实用策略“分而治之”提升复杂视频目标分割
在复杂现实场景下的半监督视频目标分割（Semi-supervised Video Object Segmentation, VOS）任务中，严重遮挡、目标频繁消失与重现、微小尺度以及密集同类干扰物等极
2026-08-22 23:11 · 摘要已收录，可打开文章获取原文内容
自动驾驶4D占用预测提质又提速！华南理工等提出 GAST：显隐结合+双路径时空建模，mIoU 提升 7.67%
4D 占用网格预测（4D Occupancy Forecasting）是近年来伴随生成式 AI 与世界模型发展而迅速兴起的自动驾驶前沿任务。它在 3D 稠密语义体素网格（描述场景几何占用与语义标签）的
2026-08-22 23:11 · 摘要已收录，可打开文章获取原文内容
IJCAI DDL 2.0 Best Student Paper Award | 北航等提出LatentGuard：在隐空间中修复自动驾驶大模型的安全逻辑
近日，北京航空航天大学团队的论文 “LatentGuard: Safeguarding Autonomous Driving VLMs via Latent World Logic Repair” 获
2026-08-21 18:20 · 摘要已收录，可打开文章获取原文内容
Z-Image 团队系统研究 Pixel-Space 文生图：从 Latent 预训练到 0.2 秒生成 1K 图像
在今天的文生图系统中，VAE 几乎已经成为一块默认的“中间层”：先把图像压缩到 latent space，再由 diffusion model 在 latent 中学习和生成，最后通过 VAE dec
2026-08-21 18:20 · 摘要已收录，可打开文章获取原文内容
PRM-as-a-Judge 1.5：从二值成功率到机器人执行全过程评估
近日，PRM-as-a-Judge研究团队发布了 PRM-as-a-Judge 1.5 ，提出一套面向机器人操作任务的过程评测框架。现有评测框架，通常使用rule-based的过程得分，用二元成功率反
2026-08-20 23:41 · 摘要已收录，可打开文章获取原文内容
ICML 2026 Spotlight｜AI不只要“看懂”图片，还要读懂它为何让人动容：EEmo-Logic统一情绪理解新框架
同一张图片，有人先感到喜悦，有人注意到惊讶，还有人觉得它略显俗套。对人类来说，这种混合而微妙的感受很自然；对多模态大模型来说，却远比“图里有什么”更难回答。过去的图像情绪分析，往往只要求模型选出一个主
2026-08-20 23:41 · 摘要已收录，可打开文章获取原文内容
ICML 2026｜从"修一帧"到"改全片，美图MiVE用首帧引导全片编辑
视频生成技术的不断迭代，催生了日益增长的视频编辑需求：用户期望对整支视频实现妆容调整、光影修改、风格迁移、物体替换等编辑操作，同时要求编辑结果严格保留原视频的人物身份、运动结构与帧间时序一致性。然而，
2026-08-19 23:51 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 Oral | 芝加哥大学等开源RADmesh：在梯度循环中重构三角面，文本驱动网格长出大部件
在各类内容创作正经历“从提示词到行动（Prompt-to-Action）”这一大范式转换的背景下，基于文本指令的三维内容精准编辑与生成技术（Text-to-3D）也在快速演进。想让三维模型按文字指令“
2026-08-19 23:51 · 摘要已收录，可打开文章获取原文内容
IROS 2026 Workshop 征稿开启｜让具身智能真正理解人、适应人
项目信息Workshop 名称The 2nd Human-aware Embodied AI Workshop（HEAI 2026）会议IROS 2026时间2026 年 9 月 27 日，13:00
2026-08-18 23:59 · 摘要已收录，可打开文章获取原文内容
从感知建图到语言导航：无人机具身智能技术体系与发展前沿综述
无人机（Unmanned Aerial Vehicles, UAVs）凭借高机动性与灵活部署优势，已在测绘、巡检、搜救等场景中得到广泛应用。然而，传统无人机系统高度依赖人工遥控或离线预编程，在非结构化
2026-08-18 23:59 · 摘要已收录，可打开文章获取原文内容
华科提出 SimWAM：面向端到端自动驾驶的简单有效 WAM 基线，NAVSIM 达 91.5 PDMS
近来，World-Action Model（WAM）通过联合建模未来视觉观测与动作，为端到端自动驾驶引入更显式的时序动态监督。本文提出 SimWAM，一个简单而有效的自动驾驶 WAM 基线。不同于将未
2026-08-17 23:45 · 摘要已收录，可打开文章获取原文内容
西湖大学机器智能实验室招聘启事——科研助理
1. 实验室简介西湖大学机器智能实验室（Machine Intelligence Laboratory, MiLAB），是国内知名的机器人具身智能实验室，专注于强化学习和机器人具身智能领域研究，旨在
2026-08-16 23:53 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 Oral | 清华等提出CoverPrune：将Token剪枝重塑为最优传输覆盖，3D大模型无损提速
“弱水三千，只取一瓢饮；取精用弘，方能致远。”在具身智能与三维空间理解中，3D VLM 虽凭借多视角几何观测获得了强大的空间推理能力，却也因数千个视觉 Token 的计算膨胀而深陷注意力与 KV Ca
2026-08-16 23:53 · 摘要已收录，可打开文章获取原文内容
CoRL 2026 Workshop 正式征稿｜从“生成得像”到“决策有用”：Grounded 4D 多模态自动驾驶世界模型
立即投稿｜OpenReviewhttps://openreview.net/group?id=robot-learning.org/CoRL/2026/Workshop/GroundedDriving
2026-08-15 23:26 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 | 开源 HRDiT：现成DiT免微调直接生成4K/8K超清大图，画质更优速度更快
现有的扩散 Transformer（Diffusion Transformer, DiT）模型（如 FLUX、Stable Diffusion 3）在标准分辨率（如 ）下展现出了强大的图像合成能力。然
2026-08-15 23:26 · 摘要已收录，可打开文章获取原文内容
手部关键点检测提升的"笨"思路：仅多用0.83M参数预测可见性，定位立地起飞
在手势姿态估计（Hand Pose Estimation, HPE）领域，即使关节被物体遮挡、手部自遮挡或截断在画面之外，现有的主流模型通常也会强行预测出全部 21 个手部关键点的位置。这种“知其不可
2026-08-14 22:59 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 | ETH&Meta提出Map-Det3D：前馈3D重建先验加持，流式输入下实现精准度量级3D检测
“横看成岭侧成峰，远近高低各不同”——单张 RGB 图像因缺乏绝对深度与物理尺度，让感知系统在三维物理世界中宛如“盲人摸象”。传统的“先 2D 检测再估计 3D 属性”范式在遇到相机内参变化或场景迁移
2026-08-13 22:37 · 摘要已收录，可打开文章获取原文内容
ACMMM 2026 | 把二维修图升级为 3D 操作！浙大 PhyEdit 给物体操作补上几何常识
如果让图像编辑模型把一个物体“向左挪”，大多数模型都能完成；但如果要求它“向镜头方向移动”，结果就经常不对：物体位置变了，大小却没变；明明应该挡住背景，却仍像贴纸一样浮在画面上；同时移动多个物体时，还
2026-08-12 20:55 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 | 破解多智能体讨论监控防护：基于FJ观点动力学模型，0.54秒精准锁定攻破目标
这是一篇有意思的智能体安全领域的新研究。多智能体系统看起来可以发挥“集体”的智慧，但也有显著的安全隐患。古有“三人成虎”，在基于多模态大语言模型（MLLM）的多智能体讨论中，即便部署了 SelfChe
2026-08-11 22:52 · 摘要已收录，可打开文章获取原文内容
DSMCL:双空间一致性学习提升跨模态重识别
DSMCL:双空间一致性学习提升跨模态重识别
2026-08-10 23:41 · 摘要已收录，可打开文章获取原文内容
北航等提出DSMCL：打破模态局限，双空间一致性学习赋能通用跨模态重识别
如同孙悟空凭“火眼金睛”看穿妖魔伪装，在智能安防与海洋监测中，跨越可见光、红外与 SAR 等异构成像匹配同一目标，核心也在于透视模态差异、抓准身份本质。针对传统方法局限于单一模态、忽略频域畸变的瓶颈，
2026-08-10 23:04 · 摘要已收录，可打开文章获取原文内容
ECCV 2026 | NeoMap：无需训练，从视频模型中“找到”新视角
从单张图像或单目视频出发，NeoMap 不重新训练视频模型，而是在模型已经学到的世界中寻找正确的新视角答案。当相机移动到“看不见”的地方给定一张照片或一段普通单目视频，我们能否移动相机，生成真实、连续
2026-08-08 12:30 · 摘要已收录，可打开文章获取原文内容
大模型早就会“鉴伪”了？DNA 挖出预训练模型中沉睡的伪造检测神经元
论文： DNA: Uncovering Universal Latent Forgery Knowledge作者： Jingtong Dou、Chuancheng Shi、Anqi Yi、Shimin
2026-08-07 23:34 · 摘要已收录，可打开文章获取原文内容
NUS提出One Anchor for All：仅更新0.03%参数，用英文数据实现统一多语言多模态安全对齐
随着大视觉语言模型走向真实应用，安全问题也从单一的文本越狱，变成了更复杂的组合攻击：危险意图可能藏在图片里，也可能被换成模型相对薄弱的语言，再配合一段看似正常的指令诱导模型回答。面对这种多语言 × 多
2026-08-07 23:34 · 摘要已收录，可打开文章获取原文内容