来源：微软亚洲研究院 原文链接：https://mp.weixin.qq.com/s/GECHPc8h_mblnXirldVaRg?scene=1&click_id=96 「 本期内容速览 」01CoD：面向图像压缩的扩散基础模型02基于一维隐表示的生成式视频压缩03HiSpatial：增强视觉-语言大模型的层级3D空间认知能力04面向3D生成的原生紧凑结构化隐表示（Oral, Aw...

随着6月的脚步日益临近，全球计算机视觉与人工智能领域的目光再次聚焦美国科罗拉多州丹佛市。6月3日至7日，2026年国际计算机视觉与模式识别会议（CVPR 2026）将在科罗拉多会议中心拉开帷幕。 为了了解CVPR的最新动态，近期雷峰网(公众号：雷峰网)的邮箱已经被CVPR相关的官方通报和参展商邮件“轰炸”。透过这些来自组委会、顶尖科研机构以及Oracle、Appen等科技巨头的最新动态，我们...

来源：公众号“什么是人工智能”原文链接：https://mp.weixin.qq.com/s/b1hLVqT9LJI2tRznuQ1L1Q根据 CVPR 2026 官方公布的数字：16,092 篇有效投稿，4,090 篇录用论文，录用率 25.42%。数据的背后，计算机视觉正在经历一次深刻的转变：从识别与生成，转向理解物理规律、支持多步推理、适应开放世界。本篇以 3D 视觉、多模态 VLM、...

来源：公众号 机器学习AI算法工程原文链接：https://mp.weixin.qq.com/s/sP4PytKu_gbyoV7gOL6Aqw两辆车撞了，谁的责任？ 以前AI只能告诉你"发生了追尾事故"，但不知道谁该赔钱。现在CVPR 2026的一篇论文直接把这个难题解决了——AITP（人工智能交警）不仅能看懂事故视频，还能像交警一样一步步推理，最后给出责任判定，准确率直接干翻人类专家！ 这...

来源：公众号“人工智能怎么学” 原文链接：https://mp.weixin.qq.com/s/8T1LqLJYPqyUWsNF8aBD1w 本文介绍了CVPR 2026的论文《MedCLIPSeg: Probabilistic Vision-Language Adaptation for Data-Efficient and Generalizable Medical Image Segm...

来源：公众号“深圳大学计算机与软件学院” 作者：房云鹏 原文链接：https://mp.weixin.qq.com/s/uWReTqghPxC-DJzRwvMV5g 自动、精确的超声心动图视频分割对于高效、可重复地测量关键临床心功能指标（如射血分数等）以及心血管疾病的诊断至关重要。然而，由于超声影像固有的散斑噪声、心脏结构的复杂动态运动，以及标注数据的严重稀缺，这在临床和计算领域仍然是一个极...

MindVLA-U1：统一视觉语言动作架构，实现理解后规划。 作者丨郑佳美 编辑丨马晓宁 在自动驾驶进入大模型时代之后，行业正在从传统的“感知、预测、规划、控制”模块化流水线，逐步转向端到端智能系统。 过去，VA 模型能够直接从视觉输入生成驾驶轨迹，在规划精度和实时性上表现突出，但它们更多依赖隐式视觉特征，很难清楚解释“为什么这样开”，也难以处理那些需要语义理解和常识推理的长尾场景。 比如车...

“请把杯子拿起来”。这句话对你来说轻而易举。因为你看到了杯子，理解了“拿起来”的含义，手自然地伸过去、捏住、提起。但对一个 AI 系统来说，这中间隔着数道几乎不可逾越的鸿沟：语言到动作、动作到视觉、视觉到空间、空间到执行。 传统做法是强迫模型学会直接映射，通过输入一段文字或一组动作参数，让其直接输出像素级的视频帧或关节角度。这种方法在受限环境和充足标注数据下勉强可行，但一旦面对真实世界的复杂...

代码驱动的视觉感知，正在为大模型补上「看」这门必修课。 作者丨陈淑瑜 编辑丨岑 峰 如果把过去几年多模态大模型在STEM领域的进展放在一起审视，会发现一个相当微妙的错位。研究者们几乎把全部精力都押在了推理能力的提升上，强化学习、思维链、自我纠错……各种花式推理策略层出不穷，模型在文本推理基准上的得分也确实在节节攀升。 但一个尴尬的事实始终摆在那里：当模型被丢进一道需要看图才能解答的几何题时，...

【封面图片来源：网站名微信公众号，所有者：极市平台】一、背景 工业质检和医疗影像分析中，传统方法采用"一个任务一个模型"的碎片化模式，检测不同模态（如RGB、红外、3D深度）需要部署多个专用模型，导致运维成本高、泛化能力差。现有方法存在域干扰问题——直接融合多域特征会引入噪声，导致大量误报。能否构建一个通用的"大脑"，既能理解多模态融合信息，又能针对不同任务动态调用"专家知识"？这一问题的解...