ECCV2026 强化学习论文解读论文笔记多模态 Agent 目标跟踪联邦学习生物分子

🎮 强化学习¶

🎞️ ECCV2026 · 12 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (1) · 📷 CVPR2026 (25) · 🔬 ICLR2026 (400) · 💬 ACL2026 (46) · 🧪 ICML2026 (110) · 🤖 AAAI2026 (58)

🔥 高频主题： 强化学习 ×6 · 多模态 ×4

ELVA: Exploring Ranking-Driven Universal Multimodal Retrieval: ELVA 提出基于规则的可验证奖励 RL 框架，通过排序奖励和间隔奖励联合优化 MLLM 的检索排序能力，解决对比学习适配检索任务时产生的"粒度盲区"（grain blindness）问题，在 M-BEIR 和自建多粒度基准 MRBench 上均取得 SOTA，其中 MRBench 提升 13.1%。
Teaching an Agent to Sketch One Part at a Time: 本文先把矢量草图自动标注为语义部件，再以 SFT 和多轮过程奖励 GRPO 训练视觉语言智能体，使其观察当前画布、逐部件添加曲线；用户研究中，完整模型相对 SketchAgent 的最终质量偏好率为 77.5%。
GoStop: Reinforcement Learning for Adaptive Temporal Aggregation in Event-Based Feature Tracking: 针对传统事件特征跟踪采用固定时间窗导致在剧烈变速或微小运动下崩溃的难题，GoStop 首次将事件累积建模为时序决策过程，通过带特权信息引导的强化学习智能体动态决定继续累积（go）还是触发推理（stop），在大幅降低推理延迟的同时显著提高跟踪精度与鲁棒性。
FedDO: Dynamic Client Optimization for Adaptive Federated Learning: FedDO 将联邦学习中的客户端协同建模为连续动作控制问题，利用带三重精化的分布软行动者-评论家（DSAC-T）强化学习代理动态分配各客户端的数据使用比例，并引入低秩参数化重构支持大规模扩展，有效克服了统计异质性与样本规模不平衡导致的梯度漂移。
From Illusion to Intention: Visual Rationale Learning for Reliable Evidence Acquisition: 针对多模态大模型在“以图思考”时因仅受结果奖励监督而出现的动作与推理脱节、“思考幻觉”及冗余裁剪问题，本文提出视觉意图学习（ViRL），通过端到端强化学习结合证据对齐数据、阶梯式保真度奖励与细粒度信用分配，实现了忠实且高效的视觉证据获取。
HERO: Enhancing Multimodal Faithfulness via Dynamic Entropy-Aware Reinforcement Learning: 提出 HERO 在线强化学习框架，揭示多模态 CoT 推理在图像退化下退守语言先验导致低熵高置信幻觉的“置信度陷阱”，通过动态熵感知加权反向严惩高置信错误，并结合方差门控采样高效挖掘困难负样本，显著提升多模态忠实度。
Molecular Identifier Visual Prompting and Verifiable Reinforcement Learning for Chemical Reaction Diagram Parsing: 针对化学反应图解析中视觉化学实体与预训练先验割裂及序列化监督失配问题，本文提出基于分子标识符的视觉提示策略（IdtVP）与反应级可验证强化学习算法（Re3-DAPO），显著提升零样本理解与跨年代扫描文献的泛化鲁棒性。
Reinforcement Learning for Multimodal Diffusion Language Models via Bidimensional Trajectory and Thought Optimization: 针对多模态扩散语言模型在后训练中忽视去噪时序与空间推理二维特性的难题，Bi-VRL 提出了融合时序轨迹级价值分配与空间思维级细粒度对齐的双维度强化学习框架，在离散视觉 token 与连续视觉特征架构上均取得显著推理性能提升。
Table-MCR2TR: Merged-Cell-Aware Table Recognition via Reinforced Multimodal Language Models: Table-MCR2TR 针对表格识别中合并单元格难以准确解析的痛点，构建了富含复杂合并单元格的 MCT-350K 数据集，并通过多任务渐进式对齐与基于 GRPO 的三元协同奖励强化学习（M-CRL），使 3B 规模模型在多基准上超越 Gemini-2.5-Pro 等顶尖模型。
TiCRL: Textual Image Classification with Reinforcement Learning-Based Curriculum Learning: TiCRL 提出了一种无需 OCR 的视觉-文本混合难度度量器与基于 DDPG 的动态训练调度器，通过强化学习根据分类器训练反馈自适应调控样本难度门限，在仅用约 58%~82% 训练样本的情况下显著超越全量数据基线与预设课程学习方案。
Unfold The World: Factorize 4D Properties in Reinforcing Spatial Understanding: 针对视觉语言模型缺乏真实物理空间感知与时间连续性的缺陷，FactoSR 提出了将空间推理任务分解为平面对应（XY）、深度次序（Z）与时间可逆性（T）的因子化强化学习框架，在 VSI-Bench 与 All-Angles-Bench 上分别取得 5.9% 和 4.5% 的显著提升。
VPA-WM: Vision-Priors-Aligned World Models for Robust Visual Reinforcement Learning: 针对复杂视觉扰动下世界模型表征易崩溃及预训练视觉先验与控制动力学不兼容的问题，VPA-WM 提出了控制导向对齐（COA）与时空协同集成（STCI）机制，使世界模型兼具鲁棒感知不变性与连贯动力学建模，在多项视觉干扰基准上取得显著 SOTA。