ECCV2026 预训练论文解读论文笔记对抗鲁棒人脸/视线扩散模型 Text-to-3D 布局/合成对齐/RLHF

📚 预训练¶

🎞️ ECCV2026 · 15 篇论文解读

📌 同领域跨会议浏览： 📷 CVPR2026 (5) · 🔬 ICLR2026 (79) · 💬 ACL2026 (12) · 🧪 ICML2026 (27) · 🤖 AAAI2026 (9) · 🧠 NeurIPS2025 (51)

🔥 高频主题： 对抗鲁棒 ×3 · 人脸/视线 ×2

360Anything: Geometry-Free Lifting of Images and Videos to 360°: 360Anything 提出一种几何无关（geometry-free）的扩散Transformer框架，将透视输入和全景目标统一视为 token 序列、通过序列拼接让模型自行学习二者间的几何对应，无需任何相机元数据即可将任意视角图像/视频提升为重力对齐的无接缝 360° 全景图，在图像和视频两个任务上全面超越依赖真实相机参数的此前最优方法。
FAIR: Feature-Augmented Implicit Regularization for AI-generated Fake Image Detection: FAIR 引入与纹理正交的场景构图结构（SCS）作为特权几何先验，在训练期扩增特征空间以平滑决策超平面并抑制局部纹理捷径学习，在推理期完全丢弃先验特征，以零计算与架构开销大幅提升跨生成器检测泛化性。
GryphOne: Symbol-Aware Masked Diffusion for Structural Refinement in Offline Handwritten Mathematical Expression Recognition: GryphOne 将手写数学表达式识别（HMER）从自回归序列生成重新定义为离散掩码扩散的迭代符号精炼过程，通过符号感知分词（SAT）保持局部编辑的语法一致性，并用随机掩码互学习（RMML）提升精炼稳定性，在 MathWriting 上以 5.51% CER 和 59.9% ExpRate 全面超越重实现的自回归基线及商用 HMER 系统。
Invisible Shortcuts: Why Vision Encoders Know Your Camera: 揭示了视觉表征编码器对不可见相机与图像处理元数据（如 JPEG 参数、光圈、焦距）敏感的根源在于预训练数据中元数据与语义标签的伪相关性捷径学习，并提出了贯穿训练期增强与后处理对抗解耦的消除方案。
Map2World: Segment Map Conditioned Text to 3D World Generation: 针对世界级 3D 数据匮乏导致的场景生成不完整与领域泛化局限，Map2World 提出以任意形状分割图为界面的 3D 世界生成框架，利用 TRELLIS 结构化隐空间的 3D MultiDiffusion 融合、频域初始噪声优化及条件式细节增强器，实现了任意布局可控、尺度一致且细节丰富的大尺度 3D 场景生成。
PolyLayout: Multi-room Manhattan Layout Estimation: PolyLayout 将室内多房间布局参数化为具有共享朝向与层高的三维曼哈顿多边形，基于 DINOv2 提取的特征图、边缘图与置信度构建可微目标函数，通过粗到细的 Levenberg-Marquardt 优化并结合自适应分裂/合并拓扑变换，实现了精准且强泛化的多房间 3D 布局重建。
Reflecting Process Expertise in Procedural Material Generation: MaterialApprentice 将过程化材质生成从传统的静态图空间合成重新定义为基于专家示范的检索时过程推理，通过从教程视频中提取过程轨迹并由编译器具象化为着色器图，使生成的材质具备专业级分层结构与极高可编辑性。
Robustness Emerges Early in Training Dynamics, but Is Not Preserved: 本文发现深度神经网络在训练初期浅层子网络会自发形成高鲁棒性表征与平坦损失地形，但在标准经验风险收敛过程中会被侵蚀磨灭，据此提出早期阶段稳定化（EPS）与非对称权重回退（AWR）两种无参数轨迹干预策略，无需修改结构即可显著提升自然扰动鲁棒性。
SceneDiff: A Benchmark and Method for Multiview Object Change Detection: 针对非重合相机轨迹下的场景物体变化识别难题，本文构建了首个涵盖 350 组视频与稠密实例标注的 SceneDiff 基准，并提出结合基础模型的前馈 3D 几何配准与区域级多线索对比的免训练算法。
SyntheticDoc: A Large Synthetic Dataset for Document Unwarping and Illumination Correction: 针对文档形变矫正与光照修复长期受限受困于小规模低质数据的瓶颈，本文基于 ArcSim 物理仿真与 Blender 路径追踪构建了包含 100 万高分辨率合成样本的大规模数据集 SyntheticDoc，配备密集 UV 图与阴影图等全套像素级真值，仅凭简单轻量基线即全面刷新 DocUNet 基准 SOTA。
Continuous Heart Rate Variability Estimation from Egocentric Systems for Skill Assessment: 针对头戴第一人称设备剧烈运动导致光流噪声淹没毫秒级心跳间期、传统累加差分信号漂移失真等难题，EgoHRV 提出低高频分解 3D 卷积骨干网与接触式生理数据跨域频域对齐预训练机制，首次从眼动追踪视频中实现高精度连续心率与心率变异性估计，并通过不确定性感知融合模块将 EgoExo4D 技能熟练度分类精度相对提升 17.8%。
ID-PreFeR: ID-Preserving Face Restoration with Mixed Data Quality: 针对个性化人脸恢复中参考图质量参差不齐且全模型微调成本高的瓶颈，ID-PreFeR 提出仅优化跨注意力 LoRA 的免正则化轻量注入器、结合 MLLM 提示词与 Min-SNR-γ 的身份-质量解耦训练策略，以及推理阶段的身份保持采样，在仅需单张高质量参考图时即可实现 SOTA 级别的身份保真度与细节恢复。
Mask-guided Semantic Alignment: Robust Learning with Noisy Labels via Temporal Attention Stability: 针对噪声标签导致模型过拟合伪特征的难题，本文提出结合类激活图（CAM）时序演化稳定性的样本筛选机制、差异化自适应注意力掩码图像生成以及掩码引导的双分支特征对齐框架（MSA），在极端 90% 对称噪声下实现 CIFAR-10 95.1% 与 CIFAR-100 55.6% 的高鲁棒分类精度。
Poppy: Polarization-Based Plug-and-Play Guidance for Enhancing Surface Normal Estimation: 针对单目 RGB 表面法向量估计在强反光、弱纹理及暗色表面的失效问题，Poppy 提出一种免训练的测试时物理引导框架，在冻结任意预训练骨干网络的前提下，通过输入图像全局偏移、输出法向量局部偏移以及高光辐射度联合优化，实现偏振约束下的高精度几何修正。
Training-free Discriminative Patch Mining for Robust Few-Shot Recognition with CLIP: 针对 CLIP 在类别名称语义模糊或高度专业化时零样本/少样本对齐性能受限的问题，本文提出无需任何参数微调的类判别性 Patch 集合（CDPS）挖掘方法，通过双重准则筛选类内一致且类间互斥的局部视觉特征，并构建结合图像-文本全局相似度与局部 Patch 相似度的自适应混合分类器，大幅提升细粒度少样本分类的鲁棒性。