三类视觉Token分配，能直接解决高压缩时序碎片化 | ECCV‘26
三类视觉Token分配，能直接解决高压缩时序碎片化 | ECCV‘26长视频理解，正在成为多模态大模型的重要能力。
来自主题: AI技术研报
6613 点击 2026-07-30 15:57
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
长视频理解，正在成为多模态大模型的重要能力。
大规模视频扩散模型，画面越来越真，却总在“物理定律”上栽跟头。
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。
以往的空间音频模型，要么受限于实验室的苛刻采集条件，要么被高昂的人工标注成本卡住脖子。而团队的核心洞察是：相机的自运动本身就是一种免费的监督信号。当相机转动时，声源在声场中的相对位置随之改变——这种变化无需人工标注，模型即可从中学习空间对应关系。这项工作入选CVPR 2025 Highlight，投稿论文前2%。
近日，来自清华大学等单位的研究团队提出了AutoMIA，一种自动生成镜像错觉艺术的 AI 设计方法，用户仅需任意指定两张图片，分别对应镜子前和镜子中的图案，AutoMIA就可以自动完成3维艺术品的设计，并且支持直接3D打印出来制作艺术品。
国防科技大学虚拟现实与视觉计算团队（SAW Lab）联合先进制导与控制技术国家级重点实验室等推出面向航拍几何 3D 视觉的统一大规模数据集与评测基准 「AirZoo」。
一个月前的CVPR现场，一家中国具身智能公司的展台被围得水泄不通。
让大模型给一张图片打“质量分”，它其实经常看走眼。
在讨论 RGB-IR 目标检测时，「两种模态互补」几乎是默认前提。RGB 擅长保留纹理和颜色，红外图像在弱光条件下更稳定，于是最直接的路线是搭建双分支网络，让它们在中间层不断交换信息。InfraNet 的出发点却来自一个不太符合这一直觉的现象。
最近，来自 Google、哥本哈根大学、牛津大学等机构的研究者提出了 VGGRPO（Visual Geometry GRPO，收录于 ECCV 2026）。这项工作聚焦于一个核心问题：如何在不牺牲预训练模型泛化能力的前提下，高效地提升视频生成的几何一致性，并使其适用于动态场景。其核心思路是，在隐空间（latent space）中利用 4D 几何奖励，进行几何感知的视频后训练。