来源：遥感与深度学习 原文链接：https://mp\.weixin\.qq\.com/s/eILojMKltsVbx\_uLbYUC3Q 题目：Evaluating and Enhancing Negation Comprehension in Remote Sensing MLLMs 会议： European Conference on Computer Vision（E...

来源：量子位（QbitAI） 原文链接：https://mp\.weixin\.qq\.com/s/fgnisGlSYBEYCcJLZZ00lg 在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。 相机持续移动、视角不断变化、目标时隐时现，空间信息从来不是明确且集中的，而是往往分散在长时间视频流里，模型不仅要“看得见”，更要“记得住、连得起来、还能持...

来源：量子位（QbitAI） 原文链接：https://mp\.weixin\.qq\.com/s/fgnisGlSYBEYCcJLZZ00lg 在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。 相机持续移动、视角不断变化、目标时隐时现，空间信息从来不是明确且集中的，而是往往分散在长时间视频流里，模型不仅要“看得见”，更要“记得住、连得起来、还能持...

来源：量子位（QbitAI） 原文链接：https://mp\.weixin\.qq\.com/s/fgnisGlSYBEYCcJLZZ00lg 在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。 相机持续移动、视角不断变化、目标时隐时现，空间信息从来不是明确且集中的，而是往往分散在长时间视频流里，模型不仅要“看得见”，更要“记得住、连得起来、还能持...

来源：多模态信息融合 原文链接：https://mp\.weixin\.qq\.com/s/QjD1bmw0Bvoga3Jx6BpHOQ 01｜引言 多曝光融合的目的就是把同一个场景下的不同曝光的照片的优点结合起来，使得高光不过曝、暗部有层次、运动的地方没有拖影。但是真实的设备不会一直用固定的方式去拍摄：在夜晚、逆光或者是室内和室外交接的地方，可能需要两帧、三帧甚至是五帧的...

来源：量子位 原文链接：https://mp\.weixin\.qq\.com/s/Xv5MX9p2BBY1hXOnjcRjOQ 长视频理解，正在成为多模态大模型的重要能力。 用户开始不再只问“视频里有什么”，而是希望模型能进一步回答：这个事件从什么时候开始？到什么时候结束？这类任务被称为视频时序定位（Video Temporal Grounding, VTG）。 但视频越长，vis...

来源：MIPLatPKU 原文链接：https://mp\.weixin\.qq\.com/s/uC9T\-Rf\_AZJlWdOw9OvxbQ 导语 本文介绍北京大学MIPL彭宇新教授团队录用于ECCV 2026的2篇论文，研究细粒度多图感知和人与物体交互检测。 第19届欧洲计算机视觉会议，英文全称 The 19th European Conference on Compute...

来源：多模态信息融合 原文链接：https://mp\.weixin\.qq\.com/s/QjD1bmw0Bvoga3Jx6BpHOQ 01｜引言 多曝光融合的目的就是把同一个场景下的不同曝光的照片的优点结合起来，使得高光不过曝、暗部有层次、运动的地方没有拖影。但是真实的设备不会一直用固定的方式去拍摄：在夜晚、逆光或者是室内和室外交接的地方，可能需要两帧、三帧甚至是五帧的...

来源：多模态信息融合 原文链接：https://mp\.weixin\.qq\.com/s/QjD1bmw0Bvoga3Jx6BpHOQ 01｜引言 多曝光融合的目的就是把同一个场景下的不同曝光的照片的优点结合起来，使得高光不过曝、暗部有层次、运动的地方没有拖影。但是真实的设备不会一直用固定的方式去拍摄：在夜晚、逆光或者是室内和室外交接的地方，可能需要两帧、三帧甚至是五帧的...

来源：InTimeLab 原文链接：https://mp\.weixin\.qq\.com/s/ssgc7dZJDdZAwkUfJ3E7EA 近日，由InTimeLab、腾讯大语言模型部等单位合作完成的研究成果《StrucTab: A Structured Optimization Framework for Table Parsing》被 ECCV 2026 接收。论文从建模、优化、评...