来源：我爱机器人视觉 原文链接：https://mp.weixin.qq.com/s/N5SebrlZO1mY1tWYvmLSSg 随着多模态基础模型与大语言视觉模型（MLLMs）的快速发展，面向人的视觉智能正在迎来新的范式转变。传统视觉系统往往依赖受控数据集与静态任务设定，而真实世界中的人类行为理解则面临更复杂的开放环境：光照变化、快速运动、严重遮挡、复杂交互、多源传感器噪声以及跨域泛化挑...

来源：深蓝具身智能 原文链接：https://mp.weixin.qq.com/s/KSF-DndHNSau02ZYBMCT8Q 懂物理的3D世界模型，才有资格谈动态操控——高速动态任务场景 不可否认，VLA与视频世界模型在静态或准静态任务上已取得显著进展。 而在真实产线、日常服务场景中的目标往往处于持续运动状态——传送带上的工件、旋转货架上的货品、投掷而来的球体…… 这些动态物体的通用操作...

来源：JOJO极致算法 原文链接：https://mp.weixin.qq.com/s/JVTMXHb3LIW5JkqTlxKJAQ 视觉-语言-动作（VLA）模型虽然在通用机器人控制上展现出巨大潜力，但走向真实物理世界时却面临诸多落地阻碍。频繁的冗余动作严重拖慢了执行节奏，缺乏三维直觉使其容易陷入多相机协作下的视觉死角，而在复杂环境中的碰撞风险则暴露了模型在安全交互上的缺失。 为了跨越这些...

来源：极佳科技GigaAI 原文链接：https://mp.weixin.qq.com/s/cjSbnq0UIFfYEQqzeLOkhw近日，欧洲计算机视觉会议（European Conference on Computer Vision，ECCV）公布2026年论文录用结果，极佳视界共有13篇论文入选，研究方向覆盖具身智能、自动驾驶、视频生成、3D/4D场景重建、强化学习与物理仿真等多个关...

来源：青稞AI 原文链接：https://mp.weixin.qq.com/s/5OEsY-Kzxhw_8i-6-3lwmg ? 诚邀投稿 | Call for Papers 第二届 MUCG Workshop（Multimodal Large Language Models for Unified Comprehension and Generation）将于 2026 年 9 月 8 日...

来源：时空探索之旅 原文链接：https://mp.weixin.qq.com/s/Ruuwr2CLXZhRGQJaM0-OhQ ECCV 2026将在2026年9月8日至12日于瑞典马尔默（Malmö, Sweden）举行。 本文总结了ECCV 2026上有关时空时序的相关论文。 时空时序Topic：交通模拟，自动驾驶，世界模型，多模态大模型，空间推理，天气预报等。 ECCV2026论文列...

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（ECCV 2026） 论文...

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、还能持续更新”。 ...

来源：多模态信息融合 原文链接：https://mp.weixin.qq.com/s/QjD1bmw0Bvoga3Jx6BpHOQ01｜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、三帧甚至是五帧的数据来完成一次融合。 现有的...

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，visual tok...