機器之心編輯部
幾個小時前，ECCV 公佈了今年度的最佳論文獎等獎項論文。
ECCV（European Conference on Computer Vision，歐洲計算機視覺國際會議）是計算機視覺（CV）領域的世界三大頂級會議之一，在 AI 和電腦科學界享有極高的學術聲譽與影響力論文。今年的大會於 9 月 8-12 日在瑞典的馬爾默舉辦。
今年的 ECCV 論文有效投稿數量為 10473 篇，2834 篇論文被接收，中稿率 27.1%，163 篇進入 oral，比例為 1.6%論文。
此外，根據統計，國內作者已成為 ECCV 的大頭論文。
展開全文
不過更令人關注的還是那些被認可的研究論文。
最佳論文獎
本年度的最佳論文獎給到了來自倫敦帝國學院的《Heat Kernel Textures -- the Geodesic Gaussians That Do Not Splat》，兩位一作 Simone Foti 和 Caner Korkmaz 分別是該校的博士後研究者與博士生論文。
獲獎理由：「表彰其在表面紋理表示方面做出的簡潔而新穎的貢獻：用非歐幾里得流形上基於熱擴散的測地高斯，取代了標準的 UV 對映和高斯潑濺論文。評審委員會指出，該方案優雅，且其潛力遠不止於論文字身。」
論文標題：Heat Kernel Textures -- the Geodesic Gaussians That Do Not Splat
論文地址論文：
作者團隊論文：Simone Foti ⋅ Caner Korkmaz ⋅ Stefanos Zafeiriou ⋅ Tolga Birdal
該研究提出了一種新的 3D 紋理表示方法 Heat Kernel Textures，簡稱 HKTex論文。其借鑑 3D Gaussian Splatting 用大量 Gaussian 表示視覺資訊的思路，但不再把 Gaussian 放在 3D 歐氏空間裡，而是直接把類似 Gaussian 的“熱核”貼在物體的 Mesh 表面上。
傳統 3D 模型通常用 UV Mapping 來貼紋理，也就是先把一個三維表面「攤平」成二維圖，再在這張圖上存顏色論文。這種方式用了幾十年，但一直存在幾個問題：展開會產生變形、接縫 seam、不同區域解析度不一致，而且 UV 圖上會有大量空白區域，浪費視訊記憶體和儲存空間。複雜模型還需要在接縫處複製頂點。
HKTex 的做法則是完全不要 UV Map論文。
可以把它想象成：在模型表面放置數千個「彩色斑點」，每個斑點類似一個 Gaussian 順著曲面沿測地線擴散論文。數學上，作者使用的是 anisotropic heat kernel（各向異性熱核），可以視為「曲面空間裡的 Gaussian」。因此即使表面發生彎曲，這個紋理 primitive 也會自然跟著表面彎，而不會像普通 3D Gaussian 那樣懸浮到模型外面。
雖然方法受到 Gaussian Splatting 啟發，但該方法實際上並不進行 splatting論文。渲染時光線先與 Mesh 相交，然後在交點位置動態計算附近 heat kernels 對紋理顏色的貢獻，因此它可以直接整合進可微分的 physically based rendering / ray tracing 管線。
這些 heat kernels 不是固定的論文。訓練過程中它們的位置、方向、形狀、尺度和顏色都可以最佳化，且 kernel 的移動被嚴格限制在 Mesh 表面。系統還會像 3DGS 的 densification 一樣，在紋理複雜的地方自動增加 kernel，在簡單區域減少 kernel。
因此它可以用於兩種場景：一是把已有的 UV Texture 壓縮成 HKTex；二是直接從多視角照片中透過 inverse rendering 反推出物體表面紋理，不需要先生成 UV論文。
實驗結果說明了這個思路的吸引力論文。在 313 個 Objaverse 模型的紋理擬合實驗中，作者稱 HKTex 在保持較高影像質量的同時顯著降低了紋理儲存量。作者在論文附錄中稱，其紋理儲存空間相比原始 GT UV texture 大約可以降低一個數量級。在從多視角圖片恢復紋理的實驗中，HKTex 平均只佔約 78.7 KB，同時 PSNR、LPIPS、SSIM、MS-SSIM 和 MSE 均優於作者比較的幾種 neural texture / vertex texture 基線。
最佳論文提名
另有兩篇論文獲得了 ECCV 2026 最佳論文提名，作者來自 Meta、紐約州立大學石溪分校等機構論文。
論文標題：LSRM: High-fidelty Object-centric Rsconstruction via Scaled Context Windows
論文地址論文：
作者團隊論文：Zhengqin Li、Cheng Zhang、Jakob Engel、Zhao Dong
獲獎理由：表彰其極高的質量和出色的工程實現論文。該論文對以物體為中心的 3D 重建作出貢獻，透過擴充套件 Transformer 架構中的上下文視窗長度來捕捉長距離跨檢視依賴，從而實現更高的保真度。
這篇工作來自 Meta Reality Labs Research論文，其中提出了一個名為 LSRM（Large Sparse Reconstruction Model）的大型稀疏重建模型，回答的問題是：把 Transformer 的上下文視窗做大，能否改善前饋式 3D 重建的質量？
作者的出發點是：近年來以物體為中心的前饋重建方法雖然穩健、速度快，但在精細紋理和外觀還原上仍然落後於逐場景最佳化的稠密檢視方案論文。
他們判斷，這一差距很大程度上來自 token 預算——只要顯著增加參與計算的物體 token 與影像 token 數量，把上下文視窗撐開，前饋方法同樣可以做到高保真的 3D 物體重建與逆向渲染論文。
為了讓這種擴充套件在工程上可行論文，LSRM 把原生稀疏注意力（native sparse attention）遷移到了 3D 重建場景，並做了三處改造：
由粗到細的流水線論文，透過預測稀疏的高解析度殘差，把算力集中在資訊量大的區域；
3D 感知的空間路由機制論文，用顯式的幾何距離而非常規注意力分數來建立 2D 與 3D 之間的對應關係；
面向分塊結構的序列並行策略，配合 All-gather-KV 通訊協議，在多卡之間平衡動態、稀疏的計算負載論文。
三者疊加，LSRM 能處理的物體 token 數量達到此前 SOTA 方法的 20 倍，影像 token 也超過 2 倍論文。
從論文給出的資料看，在標準新視角合成基準上，LSRM 相較當前 SOTA 取得了超過 2.4 dB 的 PSNR 提升和 40% 以上的 LPIPS 下降；進一步擴充套件到逆向渲染任務後，在常用基準上的紋理與幾何細節也有一致改善，LPIPS 指標已經追平甚至超過基於稠密檢視最佳化的方法論文。
論文標題：Poppy: Polarization-Based Plug-and-Play Guidance for Enhancing Surface Normal Estimation
論文地址論文：
專案頁面論文：
作者團隊論文：Irene Kim ⋅ Sai Tanmay Reddy Chakkera ⋅ Alexandros Graikos ⋅ Dimitris Samaras ⋅ Akshat Dave
獲獎理由：表彰其在基於多個純 RGB 骨幹網路的測試時自適應方面所作的貢獻，且改進顯著論文。僅憑單次偏振輸入採集，即可消除歧義，尤其是在頗具挑戰性的非偏振區域和複雜鏡面反射場景中。
這篇論文來自紐約州立大學石溪分校，關注的是單目表面法線估計的一類頑固失敗場景論文。
在大規模 RGB-法線資料上訓練出來的估計器，遇到反光、無紋理和暗部表面時往往表現不佳，原因在於這類區域本身就缺少可供網路依賴的視覺線索論文。
作者提出引入偏振資訊作為物理層面的補充論文。偏振訊號編碼的是表面朝向，與紋理和反照率無關，恰好覆蓋了 RGB 方法最薄弱的地方。但已有的偏振方案要麼需要多視角採集，要麼依賴專門的訓練資料，泛化能力受限。
他們提出了 Poppy：一個無需訓練的框架，在測試階段用單次拍攝的偏振測量值，去最佳化任意凍結 RGB 主幹網路輸出的法線論文。
方法設計上，主幹權重全程凍結，Poppy 最佳化的是逐畫素的偏移量，同時聯合學習一套反射率分解論文。關鍵部件是一個可微渲染層，它把修正後的法線換算成偏振預測值，再與實際觀測到的偏振訊號比對，用兩者之間的不一致作為懲罰項來驅動最佳化。換句話說，物理觀測在這裡充當的是測試時的監督訊號，而非訓練時的資料來源，這也是它能掛載到任意現成主幹上的前提。
評測覆蓋了七個基準和三類主幹架構，分別是擴散模型、流模型和前饋模型論文。結果顯示，Poppy 在合成資料上把平均角誤差降低了 23%–26%，真實資料上的降幅為 6%–16%。作者由此認為，在測試階段用偏振線索引導已有的 RGB 法線估計器，無需重新訓練即可改善困難表面上的法線質量。
除了以上三篇論文論文，ECCV 也公佈了進入決賽圈的 10 篇候選論文：
時間檢驗獎
今年度有三篇十年前的論文獲得時間檢驗獎論文。
論文標題：SSD: Single Shot MultiBox Detector
論文地址論文：
作者團隊論文：Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C. Berg
獲獎理由：表彰其與 R-CNN 和 YOLO 模型系列一道，將目標檢測帶入深度學習時代論文。
論文標題：Perceptual Losses for Real-time Style Transfer and Super-resolution
論文地址論文：
作者團隊論文：Justin Johnson、Alexandre Alahi、李飛飛
獲獎理由：表彰其提出基於預訓練神經特徵的感知損失函式——這一做法如今已極為普遍，以至於其源頭幾乎無人記得論文。
論文標題：Learning Without Forgetting
論文地址論文：
作者團隊論文：Zhizhong Li、Derek Hoiem
獲獎理由：表彰其開創了持續學習這一理念——這至今仍是一個開放挑戰，也是視覺 AI 研究中一個活躍的分支論文。
其它獎項
此外，ECVA 博士獎也一道釋出，該獎項旨在表彰並鼓勵在博士論文階段於計算機視覺領域取得的傑出研究成果論文。每位獲獎者將獲得 2500 歐元獎金。該獎項每年頒發兩項，並在下一屆 ECCV 會議上授予。
ECVA 青年研究員獎則旨在表彰並鼓勵計算機視覺領域青年研究人員的傑出研究成果論文。每位獲獎者將獲得 5000 歐元獎金。該獎項每年頒發一項，並在下一屆 ECCV 會議上授予。
恭喜各位獲獎者論文。
