来源：公众号“AI上分搭子 原文链接：https://mp.weixin.qq.com/s/6VviwXMsnFYLQHkVKMUZ3w LILA 盯的是一个很基础、但常常被绕开的点： 视觉 foundation model 很强，但很多输出仍然是 patch-level feature。 做分类、检索，patch feature 很够用。 但做 video object segm...

来源：公众号“我爱计算机视觉” 原文链接：https://mp.weixin.qq.com/s/boFZV3ANqEX5c-TJQ7KNCw 在 VR / MR / XR 等沉浸式媒体飞速发展的今天，动态 3D 场景重建已成为连接真实世界与数字体验的关键技术。然而，面对长序列、大运动的复杂动态场景，现有方法始终难以兼顾「时间稳定性」与「可扩展性」。 近日，北京大学、鹏城实验室联合团队提出...

来源：公众号“我爱计算机视觉 原文链接：https://mp.weixin.qq.com/s/zw_R86_cL48P-IEwE3PJfw 在 3D人体动作恢复（Human Motion Recovery, HMR）领域，我们常常面临一个尴尬的局面：即便模型预测的关节点位置在数值上已经足够精确，但生成的动作看起来总觉得“假”。要么是由于过平滑而失去了力量感的“慢动作”，要么是伴随着令人不...

来源：公众号“AI上分搭子” 原文链接：https://mp.weixin.qq.com/s/26c4oCUgjQueMImEspWBow In-context segmentation 想做的事情并不复杂。 给一张带标注的参考图，再去目标图里把同一个概念分出来。 这个概念可以是一个物体。也可以是一个部件。甚至可以是某个特定实例。 难点在于，现在主流方法基本都卡在两条路里。 ...

来源：公众号“Hyman的杂货铺” 原文链接：https://mp.weixin.qq.com/s/LU5ldsQhD0EcIcOy0ynOtw 街上每天都有海量行车记录仪、手机拍摄、 ADAS 车辆视频。里面藏着很多自动驾驶系统最想要的东西：事故前几秒、夜间低能见度、奇怪并线、突发施工、行人横穿、车辆擦碰。这些场景真实发生过，物理过程也可信。 难点在另一个地方：自动驾驶系统不能直接吃...

来源：公众号“视觉语言导航” 原文链接：https://mp.weixin.qq.com/s/WRdwox6z8HajRGoHhdQvGA?scene=1&click_id=58 随着视觉语言模型（VLMs）飞速发展，具身机器人已从实验室走向家庭场景，能在3D室内环境中导航、感知，完成具身问答（EQA）任务，成为老人陪护、家务辅助的重要帮手。 但所有现有EQA基准都存在...

一、论文信息 论文题目：ParTY: Part-Guidance for Expressive Text-to-Motion Synthesis中文题目：ParTY：富有表现力的文本到动作合成的部分指南论文链接：https://arxiv.org/pdf/2603.09611 所属单位：庆熙大学 核心速览： 提出ParTY框架以解决文本到动作合成中特定身体部位动作表达...

来源：公众号“CV实验室” 原文链接：https://mp.weixin.qq.com/s/65JSJhgEB_O_2epsG0pfIw?scene=1&click_id=51 在计算机视觉领域，目标追踪（Visual Tracking）一直需要在“高精度”和“低功耗”之间寻找平衡。SNN（脉冲神经网络）因其生物仿真特性和极高的能源效率被寄予厚望，但在处理复杂的RGB视觉追踪任务...

来源：公众号“Knowin诺因” 原文链接：https://mp.weixin.qq.com/s/t-o34_8wWAjMD6YBp7Nwqw CVPR 2026 EgoVis Workshop 首届 EgoCross Challenge 挑战赛结果正式揭晓！诺因智能（Knowin）凭借自研高效推理技术，一举拿下Source-Limited、Open-Source 双赛道全球第一名，实现...

作者丨李傲 中国人民大学 近年来，以LLaVA、Qwen系列为代表的大视觉语言模型（LVLM）推动了多模态智能的发展，在视觉理解与推理任务中展现不错的表现。然而，其伴随着高昂的推理成本。面对高分辨率图像或者视频时，模型往往需要处理大量视觉Token，而这些Token会在整个推理过程中持续参与计算，成为制约模型效率的重要瓶颈。因此，如何识别并保留真正重要的视觉Token，在尽可能不影响性...