来源：深度学习研究生 原文链接：https://mp.weixin.qq.com/s/LXcUJQZW93VOteOFdpj8QA ✨导读：通用多模态检索常用对比学习，但它把负样本简单当成“不是答案”，容易忽略查询里的细粒度实体、属性和动作。ELVA 把检索训练改成 ranking-driven RL：不用额外 reward model，而用可验证排序奖励和 margin reward 让模...

来源：CVer 原文链接：https://mp.weixin.qq.com/s/g4UuPC_SqdUwYFQOoaQoEA 论文题目：From One-to-One to Many-to-Many: Dynamic Cross-Layer Injection for Deep Vision-Language Fusion 会议：ECCV 2026 论文：https://arxiv.org/...

来源：深蓝具身智能 原文链接：https://mp.weixin.qq.com/s/_JknLgOM4Z3tki836EJuug 安全和任务完成度天生就有矛盾，光靠堆安全样本治标不治本，运动规划和图文匹配得拆开单独优化——物理碰撞安全 + 语义指令安全 机器人真的安全吗？ 现有的LIBERO、VLA-Arena这些评测基准，全在考“活能不能干完”，从来没把“安不安全”当成正经评分项。 最近清...

来源：全民AI学习 原文链接：https://mp.weixin.qq.com/s/8dpeFwBhkxawr2o1pUo-kg 该论文的第一作者和通讯作者均来自北京大学王选计算机研究所，共同第一作者为博士生雷廷和实习生刘佳林，通讯作者为博士生导师刘洋。团队近年来在 TPAMI、IJCV、CVPR、ICML 等顶会上有多项代表性成果发表，多次荣获国内外多模态理解与生成竞赛冠军，和国内外知名高...

来源：量子位 原文链接：https://mp.weixin.qq.com/s/zF8fzbPUgIXTTC4Inh7dhA 给图像生成模型一张人物参考图，它大概率能抓住身份特征。 再给一张背景图，它也许还能把人放进去。 但如果一次给它5张、6张甚至7张不同类型的参考图：一个人物、一张背景、一种姿势、一种光照、一个风格，还要求它把这些信息组合成一张自然、统一、符合指令的新图呢？ 问题就开始出现...

来源：AI TIME 论道 原文链接：https://mp.weixin.qq.com/s/2z_HOFRd7K1FgH5_QD3TXw本文内容基于公开论文资料整理，相关研究成果版权归原作者及所属机构所有。我们尊重每一位研究者的原创贡献，如有任何建议或权益相关问题，欢迎联系我们，我们将及时沟通处理。 ECCV 2026 Oral 论文题目：CoverPrune: Coverage-Drive...

来源：机器之心 原文链接：https://mp.weixin.qq.com/s/DjSphY2i3IhvYw_wUOnXdA 一、研究背景：当 CoT 遇上「慢」与「窄」 近年来，多模态大语言模型（MLLM）在视觉问答、图表理解、科学推理等任务上取得了令人瞩目的进展。Qwen3-VL、InternVL3、Step3-VL 等模型不断刷新开源榜单，而支撑其复杂推理能力的关键技术之一，正是 Ch...

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「人怎样连续运动」作为...

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 AI 精准彻底地...

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: Fast and High-Quality Visio...