搜索
中科大与智象HiDream.ai团队提出Hi-DiT，采用时间门控机制在共享Transformer中分阶段协调Latent与Pixel双流以兼顾生成效率与细节保留，在ImageNet 256×256上达到1.06 FID，论文已被ECCV 2026接收。
AI 正从看懂画面，走向理解空间、预测变化、执行动作。
一段人坐上椅子的视频，对人类而言再普通不过。我们不仅能看见 “人坐了下来”，还天然理解椅子承受人体重量，人与椅面形成接触并最终稳定，这些重力、接触与作用关系共同构成真实世界中的物理交互。但对今天的三维重建系统而言，“看见动作” 与 “重建真实交互” 仍是两回事。一个视觉上准确坐在椅子上的人体，进入物理仿真后，椅子可能因结构缺失倒下，人体也可能与椅面严重穿模。视觉上成立，并不意味着物理交互上成立。
真实家庭任务往往从「不完整的信息」开始：机器人不知道目标在哪里，用户也未必能一次说清自己想要什么。面对「帮我从餐桌上拿点零食」这样的模糊指令，机器人不仅要主动寻找候选物体，还要在发现面包和多个甜甜圈后进一步询问用户，确认究竟该拿哪一个。
给生成模型引入仿真，补上难以获得的声音感知。
图灵奖得主Yann LeCun在ECCV 2026发表Keynote演讲，论证"预测像素"是伪命题，阐述JEPA在抽象表征空间预测世界的机制，并建议研究者放弃生成式模型与大语言模型，转向联合嵌入架构与世界模型以实现人类水平智能。
蚂蚁灵波开源的流式3D重建模型LingBot-Map凭借几何上下文注意力机制在GitHub获16.9K Stars后，其论文入选ECCV 2026 Oral，全球开发者围绕该项目完成Apple Silicon桌面前端、RTX 4060低显存适配及Ray-Ban Meta智能眼镜采集等多种二次开发。
机器之心编辑部 几个小时前，ECCV 公布了今年度的最佳论文奖等奖项。 ECCV（European Conference on Computer Vision，欧洲计算机视觉国际会议）是计算机视觉（C
近年来，视觉语言模型（Vision-Language Model, VLM）在图像理解、语义推理等任务中展现出了强大的能力。然而，当这些模型真正进入物理世界，让机器人根据一句自然语言指令完成自主导航时，仍然面临巨大挑战。
近日，ECCV 2026 官方 CAD Challenge 最新榜单公布，比特无限联合武汉大学团队，凭借自研智能体系统取得 96.39 分的成绩，击败其余 27 家全球队伍，拿下全球第一。