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：世界模型研究 原文链接：https://mp\.weixin\.qq\.com/s/fbgFvWxyy5ds\_vIoEQqJDQ 【总结】One Video, One World（OVOW） 是一种面向单目视频到物理 4D 场景重建的训练免方法，它的核心目标是：只输入一段普通单目视频，就把其中的动态世界重建成可仿真、可编辑、可交互的 4D 网格场景！ 这里的 4D 指的是三维空间...

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...

来源：机器之心 原文链接：https://mp\.weixin\.qq\.com/s/HT6AMtSUoKPSpEKI2TLy5Q 文本指令驱动的视频编辑技术正在从离线内容生产走向直播特效、视频会议和增强现实等在线交互场景。 然而，高质量的视频扩散模型的通常依赖于对完整视频进行双向时空注意力处理，即模型需要等待未来帧到齐，再对整段视频进行联合处理。这种范式能够获得较好的编辑结果，却难以...

来源：数策智合 原文链接：https://mp\.weixin\.qq\.com/s/kEaqXJ5BGpqXjgd1mrT71Q?scene=1 ⚡ ECCV 2026 的 LocateAnything 给出了一条更结构化的路线：把完整 bounding box 当成一个几何原子单元，一次并行解码。 ? 论文：LocateAnything: Fas...