来源：公众号“机器之心” 原文链接：https://mp.weixin.qq.com/s/rht6QRWh3JtuGnG7tYsoGQ 视觉脑机接口的终极目标，是建立大脑神经皮层与外部视觉感知的双向交互通道，从“单向理解”走向“双向交互”，既能从大脑神经活动中重建出视觉信息（读脑），也能把视觉信息自然写入神经皮层（写脑），同时保证“读脑”与“写脑”过程的可交互性与双向一致性。 来自上海...

作者丨美图影像研究院（MT Lab） 近年来，生成式AI加速推动了影像内容生产方式的变革，随着AI生图与修图逐渐成为人们影像生活中的新范式，也产出了不少“笑料”。比如当你希望调整照片中人物微笑弧度时，模型可能将五官结构也一起改变了，或者想让照片中的人“减龄”，却直接改变了性别。本质上，这是因为当前大量的生成模型虽然拥有强大的生成能力，但其内部语义仍然高度“纠缠（entangled）”。...

作者丨郑佳美 编辑丨马晓宁 在生成式 AI 进入视频生产链之后，视频增强正在从后期修补工具，变成内容生产、内容分发和机器视觉理解中的基础能力。 现实需求已经不只是让画面变清楚，而是要在电商直播中看清商品质感，在工业巡检中识别裂纹和仪表读数，在远程协作中保留设计细节，在文博数字化中尽量还原影像纹理。 随着 4K 级高清内容逐渐成为视频平台、智能电视、大屏显示和专业制作流程中的常见需...

作者丨郑佳美 编辑丨马晓宁 当 AI 模型从“单次完成任务”走向真实世界部署时，真正的挑战不再只是参数规模和单点性能，而是模型能否在变化中保持稳定。 它要在持续出现的新类别中不遗忘旧知识，要从大规模真实数据中获得更强的泛化能力，要在多客户端、数据分布不断变化的环境下继续学习，也要把图像、视频和 3D 等不同视觉经验组织成统一理解。 这种变化也体现在 CVPR 2026 的相关研究...

来源：公众号“我爱计算机视觉 原文链接：https://mp.weixin.qq.com/s/UVeafUYkjy11SS1tYGjyEg 这是一篇入围CVPR 2026 最佳论文评选决赛圈的论文。 在深度学习参数量动辄百万、千万甚至亿万级通胀的今天，如何高效训练模型并抑制过拟合，成了摆在所有研究者面前的一道难题。为了打破这一瓶颈，来自‌印度国家理工学院鲁尔克拉分校（NIT Rou...

来源：公众号“我爱计算机视觉” 原文链接：https://mp.weixin.qq.com/s/R7Pi6hgPWAXKJcNmEuJveA 近年来，视觉语言模型（Vision-Language Models, VLM）在图文理解、零样本识别和开放词汇感知上表现越来越强。随着模型参数规模和图文预训练数据不断增大，很多人自然会期待：这些大规模预训练视觉编码器也应该具备更强的细粒度感知能力。...

来源：公众号“AI上分搭子” 原文链接：https://mp.weixin.qq.com/s/M8hMiiMzQeIcRwwPe7eZ3Q Dense Video Object Captioning，简称 DVOC。 它想做的事很细： 这篇 CVPR 2026 论文走了一条很干净的路线。 先造数据。 作者用 Gemini 2.0 Flash 给 LVIS 和 LV-VIS 生...

作者｜吴思梦 编辑｜岑峰 2026年6月3日，计算机视觉与模式识别顶级会议（CVPR）在美国丹佛举行。在大会特邀演讲环节，前 DeepMind 蛋白质设计团队核心成员、2024年诺贝尔化学奖获奖项目 AlphaFold 核心研究员，Latent Labs 创始人兼 CEO Simon Kohl 发表了题为“Programmable Biology：Generative AI for ...

来源：“AI前沿速递”公众号 原文链接：https://mp.weixin.qq.com/s/kIWr4LaHcrYH1Aj3yb4K7w 当我们看一段视频时，看到的不只是“这一帧长什么样”，而是一个不断变化的 3D 世界：相机在动，物体在动，遮挡在发生，几何关系也在不断变化。 但过去的大多数 3D/4D 重建方法，依然在用一种偏“静态”的方式理解世界：深度一个头、位姿一个头、点云...

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...