🎞️ ECCV2026 论文汇总¶
3篇ECCV2026论文解读，涵盖 3D 视觉(1篇)、信息检索/RAG(1篇)、视频生成(1篇)等 3个方向。每篇含一句话总结、核心思想、方法详解、实验结果与局限性分析，5分钟读懂一篇论文核心思想。
🔍 信息检索/RAG (1)¶
- LightSTAR: Efficient Visual Document Retrieval via Lightweight Selection with Vision-Adaptive Refinement
-
LightSTAR 针对视觉文档检索中 MLLM 全量编码页面太慢的问题，先用 LLM-free 轻量视觉选择模块高召回筛出候选，再只对候选做视觉自适应语义精排，在 ViDoRe 上达到 89.1 NDCG@5，同时把 5000 页端到端延迟降到 123.9s。
🎬 视频生成 (1)¶
- Event-Driven Video Generation
-
EVD 给预训练视频 DiT 加了一个轻量 token-level event head，并在训练和采样时用事件门控约束 latent update 只发生在交互真正活跃的区域，从而减少物体提前动、接触缺失、支撑关系跳变和事件后漂移等视频生成动态错误。
🧊 3D 视觉 (1)¶
- Agentic Collaborative Cognition for Zero-Shot 3D Understanding
-
这篇论文把零样本 3D 场景理解改造成 Planning Agent 与 Perception Agent 围绕显式 holistic cognitive map 反复协作的过程，通过主动补关键视角、跨视角记录物体属性和反馈式候选过滤，在 ScanRefer / Nr3D / SQA3D / ScanQA 等 6 个基准上明显优于已有零样本方法。