ECCV2026 LLM 其他论文解读论文笔记扩散模型布局/合成持续学习多模态对齐/RLHF 个性化生成

💬 LLM 其他¶

🎞️ ECCV2026 · 13 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (2) · 📷 CVPR2026 (3) · 🔬 ICLR2026 (55) · 💬 ACL2026 (61) · 🧪 ICML2026 (39) · 🤖 AAAI2026 (29)

🔥 高频主题： 扩散模型 ×2

ProAct: Agentic Lookahead in Interactive Environments: ProAct 把"前瞻"从推理期搬进数据构建期：先用真实环境的 MCTS 探出未来轨迹、压缩成"观察→分析→结论"的因果推理链做 SFT（GLAD），再用无参数、靠随机策略批量 rollout 估值的蒙特卡洛批判器（MC-Critic）稳定 PPO/GRPO 训练，让一个 4B 模型在 2048 与 Sokoban 上大幅超过同规模与更大的开源基线。
Embedding Rotation Invariance for Provable Multi-Oriented Scene Text Recognition: 针对多方向场景文本识别中依赖显式朝向预测与数据增强导致误差累积和推理负担的问题，本文提出 RISTER，在编码器嵌入旋转等变性（群等变卷积与自注意力结合的 RELG）、在解码器嵌入旋转不变性（基于交叉注意力的 RITD），构建了具有理论保证的端到端旋转不变识别系统，在多方向基准上准确率大幅领先 SOTA 达 4.0%。
ExpoMotion: A Large-Scale Benchmark and A Householder Projection Network for Multi-Exposure Fusion: 针对动态多曝光融合中真实运动基准匮乏与传统相似度对齐引入伪影的难题，本文提出了包含 1,738 个序列的大规模真实动态基准 ExpoMotion，并提出基于豪斯霍尔德正交投影的解耦网络 HOP，实现了曝光预对齐与运动伪影的几何投影滤除。
GRE-Diff: Gaussian Room Embeddings for Structured Layout Diffusion: 提出高斯房间嵌入（Gaussian Room Embedding, GRE）将房间建模为连续空间高斯分布以指导矢量扩散过程，结合多条件 GuidanceNet 与双注意力 DenoisingNet，在 RPLAN 上实现了 FID 4.36 与 99.21% F1BC-RC 的高质量户型图生成与无损局部交互编辑。
Learning Probabilistic Prompt for Continual Learning: 针对基于提示的类增量持续学习中固定确定性提示极易趋同的“提示坍塌”（Prompt Collapse）难题，本文提出将提示建模为高斯概率分布，根据输入图像查询特征动态构建混合分布并随机采样加权，配合连续步间的分布正则化 KL 散度约束，在不增加额外网络分支的前提下显著提升提示多样性并跨越式提升多基准准确率。
Prior-Conditioned Gaussian Discriminants for Generalizable AI-generated Image Detection: 将AI生成图像（AIGI）检测形式化为由训练先验、冻结表征与决策规则构成的三元迁移系统，构建包含嵌套协方差假设的解析高斯判别器阶梯作为诊断基准，揭示当前众多微调分类头并未超越冻结特征的低阶几何可分性。
SAM2Matting: Generalized Image and Video Matting: SAM2Matting 提出一种解耦的"跟踪器到抠图"框架，将视频抠图拆分为高层跟踪（冻结的 VOS 跟踪器如 SAM2/SAM3 负责时序一致性）和低层抠图（可训练的 ROI 检测器 + 渐进式 Alpha 预测器负责细粒度透明度估计），仅用图像抠图数据训练就在视频抠图基准上以 zero-shot 方式达到 SOTA，同时支持多种 prompt 类型、维持强时序一致性、在人类和开放场景下均泛化良好。
Debiased Textual Prompt Tuning for Enhancing Unknown Class Discovery: 针对开放世界半监督学习中文本引导微调偏向已知类和图拓扑稀疏的两大痛点，提出基于最优传输解偏的文本提示微调与双模态图增强标签传播框架，在千类规模未知类识别准确率上取得 20.7% 的相对提升。
Direct Preference Optimization for Perceptual Alignment via Vision-Language Consistency: 提出无需人工标注或专有商业模型的视语言一致性直接偏好优化框架 VLC-DPO，通过互补生成图像响应与描述响应构建 VLC 评分筛选偏好对，并引入一致性差异动态惩罚权重，在大幅抑制多模态幻觉的同时显著提升零样本 VQA 推理能力。
Leveraging Cross-Modal Knowledge Transfer for Knowledge-Aware Concept Customization: 针对传统概念定制依赖罕见标记导致生成不稳定且缺乏常识关联的缺陷，本文提出知识感知概念定制任务与 MoKus 框架，基于跨模态知识迁移机制将文本编码器中编辑的自然语言知识无缝投影至视觉锚点表征，实现高效、高保真的定制图像生成。
Semantic Line Diffusion: Character-Consistent Line Art from text-annotated Storyboards: 针对网络条漫分镜草稿（conti）几何稀疏且跨画格角色易走样的问题，提出 PanelDiff 扩散变换器架构，通过多参考静态特征池化、动态记忆库时序检索与面板自适应门控机制，实现高保真、强几何对齐且跨长序列角色一致的线稿生成。
Synthetic Sub-Aperture Phase Augmentation for Demosaicing 2×2 Shared Microlens Sensors: 针对 2×2 共享微透镜传感器在散焦下子孔径相位偏移引发网格状棋盘伪影的难题，提出无需传感器逐点标定的合成子孔径相位增强框架（SPA），配合轻量化网络在抑制伪影的同时保留了真实自然的散焦模糊。
TriNLOS: Triplane Representations for Neural Non-Line-of-Sight Imaging: 针对非视域（NLOS）成像中直接三维神经体网络计算开销呈三次阶 \(O(N^3)\) 膨胀且易受漫反射背景噪声干扰的难题，TriNLOS 结合可微物理增强光锥变换（ELCT）粗体初始化与正交三平面表征，通过沿共享轴切片交叉注意力与梯度阻断深度渲染头，在 \(O(N^2)\) 计算复杂度与 8.0 GB 显存开销下实现了显著超越传统物理反演与现有深度学习基线的高保真几何与强度重建。