0
| 本文作者： 陳淑瑜 | 2026-06-11 11:49 |
作者丨陳淑瑜
編輯丨岑峰
16,092篇投稿，4,071篇錄用，25.3%錄取率，今年的CVPR創(chuàng)下了多項(xiàng)歷史紀(jì)錄。
但比數(shù)字更具風(fēng)向標(biāo)意義的是行業(yè)風(fēng)向：5篇獲獎(jiǎng)?wù)撐闹兄辽?篇直指具身智能；展臺(tái)上NVIDIA和Tesla正合力把機(jī)器人從實(shí)驗(yàn)室推向商業(yè)化；一場關(guān)于“可編程生物學(xué)”的重磅演講，則徹底打破了計(jì)算機(jī)視覺與傳統(tǒng)藥物設(shè)計(jì)的邊界。
如果你沒能親自前往丹佛，這篇全景盤點(diǎn)將帶你用最短的時(shí)間，一眼看透本屆大會(huì)的全部精髓。
01
今年CVPR的最佳論文獎(jiǎng)項(xiàng)共有74篇入圍，15篇進(jìn)入決賽圈，最終5篇獲獎(jiǎng)。
縱觀這些獲獎(jiǎng)作品，能發(fā)現(xiàn)一個(gè)顯而易見的行業(yè)共性：計(jì)算機(jī)視覺正從“被動(dòng)感知”走向“主動(dòng)理解與行動(dòng)”。
▎最佳論文：D4RT——讓機(jī)器人“看見”第四個(gè)維度
動(dòng)態(tài)場景的4D重建一直是計(jì)算機(jī)視覺中的“硬骨頭”?，F(xiàn)有方法要么把任務(wù)拆成多個(gè)模塊分別處理，慢且復(fù)雜。要么無法處理動(dòng)態(tài)區(qū)域的對應(yīng)關(guān)系，要么兩者皆有。
D4RT的核心貢獻(xiàn)在于范式轉(zhuǎn)換。模型先用編碼器把整段視頻壓縮成一個(gè)全局場景表示，再用一個(gè)輕量解碼器按需回答“視頻中某個(gè)點(diǎn)在某個(gè)時(shí)刻的3D位置是什么”，深度圖、點(diǎn)云、點(diǎn)軌跡、相機(jī)參數(shù)全部通過同一套查詢接口輸出。
這一設(shè)計(jì)的精妙之處在于“統(tǒng)一解碼接口”，避免了逐幀密集解碼的巨大開銷，讓模型可以獨(dú)立且靈活地探測空間中任意點(diǎn)在任意時(shí)刻的3D位置。比前代方法快300倍，在動(dòng)態(tài)4D重建與追蹤任務(wù)上達(dá)到新的SOTA，并支持對視頻全部像素進(jìn)行稠密整體重建。
D4RT對具身智能的意義尤為深遠(yuǎn)。機(jī)器人在動(dòng)態(tài)環(huán)境中需要理解并預(yù)測人的動(dòng)作，D4RT的“全像素跟蹤”能力提供了時(shí)空連續(xù)的人體運(yùn)動(dòng)感知基礎(chǔ)。它能解耦相機(jī)運(yùn)動(dòng)、物體運(yùn)動(dòng)和靜態(tài)幾何，使機(jī)器人區(qū)分“人在動(dòng)”和“環(huán)境在動(dòng)”，為穩(wěn)定的人機(jī)協(xié)作感知奠定了基礎(chǔ)。
論文： Efficiently Reconstructing Dynamic Scenes One D4RT at a Time
機(jī)構(gòu)： Google DeepMind / UCL / 牛津大學(xué)
論文鏈接： https://arxiv.org/pdf/2512.08924
▎最佳論文提名：NitroGen——從打游戲到操控機(jī)器人的通用具身路線圖
NitroGen的核心定位是“視覺-動(dòng)作基礎(chǔ)模型”。它在涵蓋1000+游戲、總計(jì)40,000小時(shí)的游戲試玩視頻上訓(xùn)練而成，一個(gè)模型看游戲畫面即可輸出手柄操作，并在1000個(gè)不同游戲中實(shí)現(xiàn)零樣本泛化。相較于從頭開始訓(xùn)練的模型，其任務(wù)成功率實(shí)現(xiàn)了高達(dá)52%的相對提升。
NitroGen背后的靈魂人物是Jim Fan，NVIDIA高級(jí)研究員、GEAR團(tuán)隊(duì)負(fù)責(zé)人。他的研究脈絡(luò)本身就是一條從虛擬到物理的具身智能進(jìn)化史：SURREAL的分布式深度強(qiáng)化學(xué)習(xí)、MineDojo從10萬+Minecraft YouTube視頻中學(xué)習(xí)、Voyager首個(gè)自主玩Minecraft的AI Agent、Eureka用GPT-4加速機(jī)器人訓(xùn)練，直到NitroGen指向“通用具身Agent”，實(shí)現(xiàn)跨技能、跨具身、跨現(xiàn)實(shí)（物理和虛擬）泛化。
NitroGen的研究路線對機(jī)器人模仿學(xué)習(xí)有著直接的遷移價(jià)值。這種從大規(guī)模視頻中自動(dòng)提取動(dòng)作標(biāo)簽、訓(xùn)練視覺-動(dòng)作策略的框架，可以直接搬到人機(jī)協(xié)作場景中，讓機(jī)器人快速學(xué)會(huì)人類的協(xié)作策略。
論文： NitroGen: An Open Foundation Model for Generalist Gaming Agents
機(jī)構(gòu)： NVIDIA / 斯坦福大學(xué) / 加州理工學(xué)院 / 芝加哥大學(xué) / 德州大學(xué)奧斯汀分校
論文鏈接： https://arxiv.org/abs/2601.02427
▎ 最佳論文提名：SAM 3D——一眼看透3D世界
作為Segment Anything系列的3D延伸，SAM 3D包含Objects（重建物體）與Body（估計(jì)人體）兩個(gè)子模型。兩者均采用多階段DiT架構(gòu)，即便面對普遍遮擋和凌亂環(huán)境，也能穩(wěn)健重建。
研究團(tuán)隊(duì)通過“人機(jī)協(xié)同”管線實(shí)現(xiàn)了這一突破，標(biāo)注了規(guī)?？涨暗囊曈X基底3D重建數(shù)據(jù)，并在多階段訓(xùn)練框架中將合成數(shù)據(jù)預(yù)訓(xùn)練與真實(shí)世界對齊相結(jié)合，打破了3D領(lǐng)域長期存在的“數(shù)據(jù)壁壘”。在針對真實(shí)世界物體和場景的人類偏好測試中，SAM 3D獲得了至少5:1的勝率。
對具身智能而言，它讓機(jī)器人無需依賴高昂的深度傳感器，僅憑單張圖像即可實(shí)時(shí)、準(zhǔn)確地獲取人類的3D姿態(tài)和空間場景理解。
論文： SAM 3D: 3Dfy Anything in Images
機(jī)構(gòu)： Meta超級(jí)智能實(shí)驗(yàn)室
論文鏈接： https://arxiv.org/abs/2511.16624
▎最佳學(xué)生論文：CLAY——3D生成進(jìn)入大模型時(shí)代
3D生成建模領(lǐng)域近年來進(jìn)展顯著，但現(xiàn)有表示方法仍難以捕捉具有復(fù)雜拓?fù)浣Y(jié)構(gòu)和精細(xì)外觀的3D資產(chǎn)。
CLAY的核心創(chuàng)新是O-Voxel，一種新型稀疏體素結(jié)構(gòu)，能同時(shí)編碼幾何與外觀，穩(wěn)健地建模任意拓?fù)?，包括開放、非流形及全封閉表面，同時(shí)捕捉紋理顏色之外的豐富表面屬性，如基于物理的渲染參數(shù)。
基于O-Voxel，作者設(shè)計(jì)了稀疏壓縮變分自編碼器，實(shí)現(xiàn)了高空間壓縮率和緊湊的潛在空間，隨后訓(xùn)練了包含40億（4B）參數(shù)的大規(guī)模流匹配模型用于3D生成。盡管規(guī)模龐大，推理過程依然高效，且生成資產(chǎn)的幾何與材質(zhì)質(zhì)量遠(yuǎn)超現(xiàn)有模型。
對具身智能研究者而言，CLAY的價(jià)值在于：用3D生成模型可以快速構(gòu)建仿真環(huán)境，大幅降低HRI（人機(jī)交互）仿真成本。當(dāng)然，如何保證生成場景的物理合理性、如何讓生成的3D場景支持交互仿真，仍是待解的問題。
論文： Native and Compact Structured Latents for 3D Generation
機(jī)構(gòu)： 清華大學(xué) / 微軟研究院 / 中國科學(xué)技術(shù)大學(xué) / 微軟AI
論文鏈接： https://arxiv.org/abs/2512.14692
▎ 最佳學(xué)生論文提名：ChordEdit——讓一步式圖像編輯真正可用
一步式文本生成圖像（T2I）模型帶來了前所未有的生成速度，但將其用于文本引導(dǎo)的圖像編輯卻困難重重：強(qiáng)行把現(xiàn)有免訓(xùn)練編輯方法壓縮到單步推理中，往往導(dǎo)致物體嚴(yán)重變形和非編輯區(qū)域一致性丟失。
這個(gè)問題的根源在于，直接在模型的結(jié)構(gòu)化場上做樸素的向量運(yùn)算，會(huì)產(chǎn)生高能量、劇烈抖動(dòng)的軌跡。
ChordEdit將圖像編輯重新表述為一個(gè)傳輸問題：在由源文本提示詞和目標(biāo)文本提示詞所定義的源分布與目標(biāo)分布之間進(jìn)行傳輸?；趧?dòng)態(tài)最優(yōu)傳輸理論，研究者推導(dǎo)出一種有原則的低能量控制策略，得到更平滑、方差更低的編輯場，使得編輯場可以通過一次較大的積分步長完成遍歷，最終讓一步式擴(kuò)散模型首次實(shí)現(xiàn)高保真、實(shí)時(shí)圖像編輯。
ChordEdit是一個(gè)模型無關(guān)、無需訓(xùn)練、也無需反演的方法，這種優(yōu)雅的理論框架讓它在5篇獲獎(jiǎng)?wù)撐闹歇?dú)樹一幟。雖然它與具身智能的直接關(guān)聯(lián)較弱，但“一步式推理”的理念，與端側(cè)部署和實(shí)時(shí)交互的工業(yè)需求高度契合。
論文： ChordEdit: One-Step Low-Energy Transport for Image Editing
機(jī)構(gòu)： 廣東工業(yè)大學(xué) / 惠州學(xué)院 / 深圳大學(xué) / 北京大學(xué)
論文鏈接： https://arxiv.org/abs/2602.19083
02
在CVPR 2026的大會(huì)特邀演講環(huán)節(jié)，前DeepMind蛋白質(zhì)設(shè)計(jì)團(tuán)隊(duì)核心成員、2024年諾貝爾化學(xué)獎(jiǎng)獲獎(jiǎng)項(xiàng)目AlphaFold核心研究員、Latent Labs創(chuàng)始人兼CEO Simon Kohl發(fā)表了題為"Programmable Biology: Generative AI for Molecular Design"的演講。這場演講或許是本屆CVPR最“跨界”的Keynote，也是最具沖擊力的。
Simon Kohl指出，傳統(tǒng)藥物研發(fā)由于“從錯(cuò)誤的分子出發(fā)”導(dǎo)致九成候選藥最終失敗。過去五年計(jì)算藥物設(shè)計(jì)迎來指數(shù)級(jí)躍遷，技術(shù)已從基礎(chǔ)的蛋白質(zhì)結(jié)構(gòu)預(yù)測，演進(jìn)到抗體設(shè)計(jì)智能體自主運(yùn)行的全新階段。
其團(tuán)隊(duì)創(chuàng)建的AI智能體Latent-Y目前已實(shí)現(xiàn)實(shí)驗(yàn)室驗(yàn)證。只需輸入一句自然語言指令，智能體便能自主接管靶點(diǎn)分析、提示詞生成、并行設(shè)計(jì)及迭代的全流程。在針對“不可成藥”靶標(biāo)（如KRAS）和血腦屏障靶標(biāo)的壓力測試中，AI僅用1天計(jì)算加4周驗(yàn)證，便在結(jié)合力上與傳統(tǒng)耗時(shí)數(shù)月的萬億級(jí)篩選分庭抗禮。
正如他所言，“生物學(xué)終將成為一門可編程的工程學(xué)科?！睆腎mageNet到AlphaFold，從像素識(shí)別到分子設(shè)計(jì)，AI正在以前所未有的速度將一個(gè)又一個(gè)“不可能”變?yōu)椤翱删幊獭薄?/span>
03
論文賽道指明了前沿研究的去向，而展臺(tái)則揭示了技術(shù)正以多快的速度被推向商業(yè)市場。在CVPR 2026的展覽廳里，具身智能和物理AI成為了絕對的主旋律。
以下這三個(gè)展臺(tái)，最具代表性：
▎NVIDIA（Booth 211）：具身智能的“軍火商”
NVIDIA是本屆CVPR最大的展商之一，展臺(tái)上最吸引眼球的是先進(jìn)的機(jī)器人抓取演示和自動(dòng)駕駛研究展示。
此外還展示了Nemotron 3 Nano Omni模型，一個(gè)統(tǒng)一視覺、音頻和語言的端側(cè)多模態(tài)模型，讓開發(fā)者在邊緣設(shè)備上也能部署多模態(tài)AI。
NVIDIA在CVPR 2026的角色更像一個(gè)“軍火商”，為整個(gè)具身智能生態(tài)提供從訓(xùn)練到推理的基礎(chǔ)設(shè)施。從GPU算力到仿真平臺(tái)，從大模型到端側(cè)部署，NVIDIA的展臺(tái)幾乎覆蓋了具身智能全鏈條。
Jim Fan團(tuán)隊(duì)的NitroGen獲得最佳論文提名，進(jìn)一步證明了NVIDIA在學(xué)術(shù)和工程兩端的統(tǒng)治力。
▎Tesla：純視覺的激進(jìn)賭注
Tesla的展臺(tái)則聚焦于純視覺自動(dòng)駕駛和機(jī)器人進(jìn)展。在WDFM-EAI Workshop上，Tesla Autopilot及AI負(fù)責(zé)人Ashok Elluswamy的演講引發(fā)全場熱議，他系統(tǒng)披露了Tesla在具身智能方向的技術(shù)積累，包括FSD上下文長度從約10秒猛增至約30秒（提升3倍），以及FSD模型完整輸入/輸出架構(gòu)的首次公開。
清晰傳遞出Tesla的戰(zhàn)略意圖：將自動(dòng)駕駛作為更廣泛機(jī)器人與具身AI平臺(tái)的一部分，與Optimus人形機(jī)器人項(xiàng)目深度協(xié)同。Tesla在丹佛傳遞的核心信息是，純視覺路線已經(jīng)超越了技術(shù)選擇的范疇，更像一種信仰。
▎Apple（Booth 231）：安靜的顛覆者
Apple以贊助商身份參加CVPR 2026，設(shè)有展位并帶來多篇論文與特邀演講。重點(diǎn)研究包括視頻生成模型STARFlow-V、視覺統(tǒng)一分詞器AToken、4D幾何外觀表征Velox等。
Apple的展臺(tái)風(fēng)格一如既往地低調(diào)，但研究卻不容小覷。AToken試圖統(tǒng)一視覺理解與生成的底層表征，Velox則指向4D動(dòng)態(tài)場景理解，這些方向與D4RT、SAM 3D的獲獎(jiǎng)?wù)撐男纬闪擞腥さ暮魬?yīng)。
Apple的“慢而穩(wěn)”策略，在NVIDIA和Tesla的“快而猛”之間，提供了一種截然不同的技術(shù)路線參照。
04
綜合5篇獲獎(jiǎng)?wù)撐?、Simon Kohl的演講和三大展臺(tái)的信號(hào)，CVPR 2026傳遞的最深層趨勢可以概括為一句話：計(jì)算機(jī)視覺正在經(jīng)歷從“被動(dòng)感知”到“主動(dòng)理解與行動(dòng)”的范式轉(zhuǎn)移。
▎趨勢一：多模態(tài)與具身智能成為絕對主線。
視覺-語言與多模態(tài)LLM論文占比從去年的4.9%飆升至10.6%，增幅達(dá)5.7個(gè)百分點(diǎn)，這是CVPR近年來單一類別最大幅度的增長。
5篇獲獎(jiǎng)?wù)撐闹兄辽?篇與具身智能直接相關(guān)，展臺(tái)上超過100家公司中相當(dāng)比例在展示物理AI方案。具身智能已經(jīng)從“分會(huì)場議題”升級(jí)為主線劇情。
▎趨勢二：視覺架構(gòu)正從“識(shí)別像素”走向“重建世界”。
D4RT重建4D動(dòng)態(tài)場景，SAM 3D從單圖重建3D世界，CLAY用4B參數(shù)生成3D資產(chǎn)，這些工作的共性在于：視覺系統(tǒng)已經(jīng)不再滿足于“識(shí)別”和“分類”，開始試圖從2D輸入中重建完整的3D/4D世界表征。
未來的視覺架構(gòu)將更關(guān)注空間理解而非像素識(shí)別。
▎趨勢三：感知問題正被基礎(chǔ)模型統(tǒng)一解決，重心上移至認(rèn)知層。
D4RT解決動(dòng)態(tài)感知，SAM 3D解決空間感知，NitroGen解決行動(dòng)策略。
研究者的重心正從“如何讓機(jī)器人看見”轉(zhuǎn)向“如何讓機(jī)器人理解它看到的東西”，從感知層上升到認(rèn)知層。這也是為什么Simon Kohl的演講在CVPR的舞臺(tái)上如此引人注目：當(dāng)視覺模型足夠強(qiáng)大，下一個(gè)前沿就是“理解”與“決策”。
▎趨勢四：中國力量從“參會(huì)”走向“設(shè)局”。
在CVPR 2026高校論文接收Top 10中，中國高校占據(jù)八席：上海交通大學(xué)以46篇高居榜首，浙江大學(xué)40篇緊隨其后。在產(chǎn)業(yè)端，騰訊拿下最高級(jí)別Ultimate Sponsor，MiniMax躋身白金贊助商，蘇度科技、Linkerbot等具身智能新銳集體亮相。更值得注意的是，在GigaBrain Challenge 2026中，中國團(tuán)隊(duì)在四個(gè)賽道包攬全部冠軍，這在CVPR歷史上極為罕見。中國企業(yè)已從“底層代工”升級(jí)為“軟硬一體全棧AI產(chǎn)業(yè)鏈”。
回到標(biāo)題的問題：計(jì)算機(jī)視覺下一個(gè)十年的答案是什么？CVPR這5篇論文、1個(gè)演講、3個(gè)展臺(tái)的回應(yīng)匯聚成一句話：視覺的終點(diǎn)不是看見，而是理解、行動(dòng)、改變物理世界。下一個(gè)十年，這一頁已經(jīng)被翻開了。
去哪看 CVPR 核心【演講/論文】詳解？
為了讓國內(nèi)的研發(fā)者、創(chuàng)業(yè)者與投資人能夠毫無時(shí)差地掌握本屆 CVPR 2026 的完整干貨，雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))已全面上線【CVPR 2026 深度專區(qū)】。
專區(qū)不僅全面收錄了重磅論文的工程化解讀、專家前沿演講，更將持續(xù)更新前方記者的第一手會(huì)議動(dòng)態(tài)。
掃描下方二維碼，或點(diǎn)擊「閱讀原文」關(guān)注專區(qū)。
與全球 8000 名頂尖大腦同步呼吸，搶先透視具身智能的下一個(gè)五年
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
