来源：量子位 原文链接：https://mp\.weixin\.qq\.com/s/zF8fzbPUgIXTTC4Inh7dhA 给图像生成模型一张人物参考图，它大概率能抓住身份特征。 再给一张背景图，它也许还能把人放进去。 但如果一次给它5张、6张甚至7张不同类型的参考图：一个人物、一张背景、一种姿势、一种光照、一个风格，还要求它把这些信息组合成一张自然、统一、符合指令的新图呢？ ...

来源：AI TIME 论道 原文链接：https://mp\.weixin\.qq\.com/s/2z\_HOFRd7K1FgH5\_QD3TXw 本文内容基于公开论文资料整理，相关研究成果版权归原作者及所属机构所有。我们尊重每一位研究者的原创贡献，如有任何建议或权益相关问题，欢迎联系我们，我们将及时沟通处理。 ECCV 2026 Oral 论文题目：CoverPrune: Co...

来源：机器之心 原文链接：https://mp\.weixin\.qq\.com/s/DjSphY2i3IhvYw\_wUOnXdA 一、研究背景：当 CoT 遇上「慢」与「窄」 近年来，多模态大语言模型（MLLM）在视觉问答、图表理解、科学推理等任务上取得了令人瞩目的进展。Qwen3-VL、InternVL3、Step3-VL 等模型不断刷新开源榜单，而支撑其复杂推理能力的关键技术之...

来源：机器之心 原文链接：https://mp\.weixin\.qq\.com/s/Oj5TXFn\_g9z1pRXJUyjOPg 当听到「把双手举过头顶，然后向前走」，人可以在脑中补出一整段动作；当看到一段无声的人体轨迹，也能判断人物是在行走、转身还是踉跄。连续运动既可以被语言描述，也可以作为生成、预测和编辑的条件。 今天的多模态大模型已经能够理解和生成文本、图像，却很少把「人怎样...

来源：BUPT老张 原文链接：https://mp\.weixin\.qq\.com/s/0lzNPWq7eAR\-YnEocyNjyA?scene=1 近日，团队张跃老师指导、参与的 2 篇论文被 ECCV 2026 接收。ECCV 是与 CVPR、ICCV 并称的计算机视觉三大会议，将于 2026 年 9 月 在瑞典马尔默举办。 论文一（S-GRACE）聚焦文生图大模型编辑：让 A...

来源：我爱计算机 原文链接：https://mp\.weixin\.qq\.com/s/QaJ\-STPtVDLPX\-4j\-1UuCg?scene=1 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端情况，长期困扰着现有的视觉模型。...

来源：高德地图 原文链接：https://mp\.weixin\.qq\.com/s/RbjfT1V632UQwraqHspU7w?scene=1&click\_id=630311600 大会介绍 ECCV（European Conference on Computer Vision，欧洲计算机视觉国际会议）是计算机视觉领域重要的顶级国际学术会议之一，与CVPR、ICCV并称计...

来源：多模态视觉 原文链接：https://mp\.weixin\.qq\.com/s/9DDw5LZTBdYIR64l0lM2Bg 在遥感、无人机和港口画面里，目标大多是斜着的，水平检测框会框进一大堆背景，旋转框又因为角度周期性而难训、难收敛。中科大联合华为、清华提出的 RiO-DETR 把端到端旋转 DETR 第一次推进实时区间——最轻量模型只有 4.0M 参数、T4 上端到端延迟 ...

来源：机器之心 原文链接：https://mp\.weixin\.qq\.com/s/tMxuVOqCad5I6bO\_Jb3Njg 请想象这样一种居家场景：当你戴着 AI 眼镜在厨房准备晚饭，用刀切菜时，它会立刻提醒你注意安全；当你连续几天形成举着手机长时间录像的习惯时，它会主动建议你换一种更省力的记录方式。前者需要 AI 助手根据当前场景服务用户，后者则需要调用跨越数天的记忆，总结用...

来源：林叔说事 原文链接：https://mp\.weixin\.qq\.com/s/dF\_niCtYfqjwld2AKRJwVw 拿起手机，对着你的房间随手录一段10秒钟的视频。 几分钟后，屏幕里出现了一个活生生的三维物理世界，原先的像素录像成了可以交互的场景。 桌子、椅子、花盆、甚至一只正在扑腾翅膀的鹦鹉，全都被拆解成了独立的实体网格。 你可以把一台虚拟机械臂丢进去：推一把花...