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，在尽可能不影响性能的前...

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。但在...

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 生成 object...

作者丨小雷哥 编辑丨岑 峰 美国当地时间6月5日，在结束了两天的Workshop议程后，全球计算机视觉与模式识别领域的顶级学术盛会 CVPR 2026（IEEE Conference on Computer Vision and Pattern Recognition）正会，在科罗拉多州丹佛市正式拉开帷幕。 随着开幕式各项重磅数据与大奖的揭晓，现场气氛被彻底点燃。 01 今年的学术圈格外忙碌...

6月4日，当维也纳多瑙河畔的 ICRA 2026 进入正会的最后一天，大洋彼岸的美国丹佛科罗拉多会议中心（Colorado Convention Center）已经人声鼎沸。许多我们前几天还在维也纳见到的熟悉面孔，各大顶尖高校的学者和硬科技企业的高管，此刻都正拖着行李箱，马不停蹄地出现在丹佛的街头。 这种罕见的“全球双城赶场”现象背后，是计算机视觉（CVPR）与机器人（ICRA）两大顶会赛道...

CVPR 2026丹佛会期进入第三天，三大趋势浮出水面：无监督视觉表征打破光流SOTA、视觉语言导航首次进入自动驾驶、具身智能论文量暴增全面屠榜。本期日报精选三个最热方向，带你一文看尽今日CVPR高光时刻。 以下为本日社区关注度最高的三个核心议题，按热度排序，均附论文摘要与原文链接，方便快速研判与选题跟进。 热门议题一：无监督光流首获Oral，U2Flow KITTI封神 当监督学习还在为标...

作者丨郑佳美 编辑丨马晓宁 图像生成行业正在从“生成能力竞争”进入“可控能力竞争”。 过去，模型的核心价值主要体现在能否生成高质量、高清晰度、风格丰富的单张图像；而随着文生图、图生图和指令式编辑能力逐渐成熟，新的瓶颈开始显现：模型能否理解多张图片之间的关系，能否在不同视角和场景中保持同一对象的一致性，能否把多个参考来源自然融合到同一画面中，能否在数据缺失或退化时恢复可信细节，以及能否让用户精...

来源：公众号“机器之心” 原文https://mp.weixin.qq.com/s/SCk63tSurxIeuaVNxqgSkA?scene=1&click_id=30 团队一作林之秋（Zhiqiu Lin）是卡内基梅隆大学（CMU）机器人研究所的博士，研究方向涵盖视觉 - 语言大模型的评估、数据与生成；前作 CameraBench 曾获 NeurIPS’25 Spotlight（T...

来源：公众号“AI上分搭子 原文链接：https://mp.weixin.qq.com/s/6VviwXMsnFYLQHkVKMUZ3w LILA 盯的是一个很基础、但常常被绕开的点： 视觉 foundation model 很强，但很多输出仍然是 patch-level feature。 做分类、检索，patch feature 很够用。 但做 video object segmentat...

来源：公众号“小米技术” 原文链接：https://mp.weixin.qq.com/s/HcGx942SZYWmXyOnacPcUQ?scene=1&click_id=38 近日，小米机器人团队在 CVPR 2026 Workshops-GigaBrain Challenge-RoboChallenge Track 和 ICRA 2026 WBC（Whole Body Contro...