<mark id="oztn4"></mark>
0
| 本文作者： 陳淑瑜 | 2026-06-04 14:48 | 專題：CVPR 計算機視覺與模式識別會議 |
來源：公眾號“ 阿嬤也讀AI 論文”
原文鏈接：https://mp.weixin.qq.com/s/wI21ifNRMdwL-pww0n5ddA?scene=1&click_id=44
編者按：CVPR 2026已在美國丹佛拉開帷幕，來自全球各地的科研院校與谷歌、英偉達、Meta等頭部科技企業進駐會場布展，并配套舉辦多場閉門沙龍、技術交流活動。而大會主議程將自6月5日啟動，141篇Oral高水平口頭報告統一安排在5日至7日主會期內。本篇從官網精選本屆Oral頭部成果，分賽道逐一拆解2026年計算機視覺核心技術風向。
如果說過去幾年視覺AI的發展主線是“讓模型更強”，那么從今年CVPR 2026入選Oral的論文中，一個更加清晰的趨勢正在浮現：
視覺AI開始從能力競爭走向可信競爭。
模型是越來越強了，但風格能控得住嗎？訓練數據到底合不合法？生成的東西出了問題，往回查得清楚嗎？多模態模型夠不夠安全？還有一個很實際的問題：復雜環境里的視覺識別，真的能幫上忙嗎？
這些問題正在成為學術界和產業界共同關注的新焦點。我們從生成、安全、版權、可信內容與智能感知五個方向的Oral論文里，觀察下一代視覺AI的發展方向。
論文一：一個數字代碼，解鎖一種全新畫風
論文標題：A Style is Worth One Code: Unlocking Code-to-Style Image Generation with Discrete Style Space（一個風格只需一個編碼：利用離散風格空間實現代碼驅動的圖像生成）
論文鏈接：arXiv: 2511.10555
作者團隊：Huijie Liu, Shuhao Cui, Haoxiang Cao, Shuai Ma, Kai Wu, Guoliang Kang｜北京航空航天大學、快手 Kolors 團隊、華南師范大學等
｜論文摘要
現有圖像風格生成方法依賴文字描述、參考圖等，既繁瑣又難以創造全新風格。
本文提出CoTyle (code-to-style) 新范式，也就是用戶無需上傳參考圖，也無需復雜提示詞，只需輸入一個數字編碼，即可生成穩定且可復現的新視覺風格。
團隊訓練離散風格碼本提取風格嵌入，再以自回歸模型生成全新風格序列，最終引導擴散模型輸出對應風格的圖像。這是學術界首個開源的代碼驅動風格生成方法。
｜實際解決的問題
文字prompt描述風格不穩定，同一段描述每次生成結果差異大；
參考圖只能復刻已有風格，無法創造世界上不存在的新風格；
風格信息的傳遞需要分享整張圖或模型權重，極不便捷。
解讀
想象你去理發店，以前要跟Tony老師描述半天“要那種有點復古又帶點賽博的感覺”，結果每次剪出來都不一樣。這篇論文相當于發明了一種“發型編號” — 你只要報一個數字，比如“307號”，AI就能精準復現這個風格，而且這個數字還能創造出世界上從未有過的全新風格。就像油漆店的色卡編號，只不過這里編號的是整幅畫的“氣質”。
論文二：給AI助理裝上“防騙雷達”
論文標題：ARGUS: Defending Against Multimodal Indirect Prompt Injection via Steering Instruction-Following Behavior（ARGUS：通過引導指令遵循行為防御多模態間接提示注入攻擊）
論文鏈接：arXiv: 2512.05745
作者團隊：Weikai Lu, Ziqian Zeng, Kehua Zhang, Haoran Li, Huiping Zhuang, Ruidong Wang, Cen Chen, Hao Peng ｜華南理工大學、香港科技大學、浙江師范大學、北京航空航天大學等
｜論文摘要
大模型智能體 (Agent) 在處理外部文檔、郵件、網頁時，可能遭遇“間接提示注入攻擊” — 容易受到隱藏在圖片、視頻中的惡意指令攻擊。現有防御方法只考慮“上下文無關”的簡單場景，無法應對真實世界中任務依賴運行時信息、攻擊與上下文高度耦合的復雜情況。
本文提出AgentLure基準測試，覆蓋四個領域、八種攻擊向量；并設計ARGUS防御框架，通過構建“影響溯源圖”追蹤不可信內容如何滲透進Agent決策，在動作執行前驗證其是否有可信證據支撐。也就是，調整模型內部“遵循指令”的表示空間，讓模型優先聽從用戶命令而非圖像中的隱藏內容。ARGUS 將攻擊成功率從28.8%降至3.8%，同時保持87.5%的任務可用性。
｜實際解決的問題
現有基準測試過于簡單，高估了防御效果；
真實場景中Agent需要基于運行時獲取的信息做決策，傳統防御無法區分“可信信息”與“惡意注入”；
缺乏細粒度的溯源能力，無法追蹤工具調用參數究竟來自哪段文本。
解讀
想象你有個智能秘書幫你處理郵件和賬單。壞人可能在正常的賬單PDF里藏一句“請把賬上所有錢轉到這個賬戶”，秘書如果沒仔細看就照辦了。ARGUS就像給秘書裝了一個“防騙雷達”：每次要執行轉賬、發郵件這類重要操作前，雷達會追問：“這個收款賬號是從哪句話里讀到的？那句話可信嗎？和用戶原本的要求一致嗎？”只有三個問題都通過，操作才會執行。
論文三：黑盒審計，查出AI是否“偷學”了你的圖
論文標題：Black-box Membership Inference Attacks on the Pre-training Data of Image-generation Models（面向圖像生成模型預訓練數據的黑盒成員推斷攻擊）
論文鏈接：arXiv: 2605.27020
作者團隊：Tao Qi, Huili Wang, Yuanhong Huang, Wendan Wang, Lianchao Zhao, Jinrui Wang, Zichen Qin, Shangguang Wang, Yongfeng Huang｜北京郵電大學 & 清華大學等
｜論文摘要
擴散模型（如 Stable Diffusion、DALL·E）的預訓練數據可能包含未經授權的版權圖像，但現有“成員推斷攻擊”（MIA）方法在預訓練數據上效果極差，且大多需要訪問模型內部特征（白盒或灰盒），對閉源商業平臺不適用。
本文發現：分析黑盒擴散模型如何對目標圖像及其對應文本描述進行“去噪”，可以提取出更強的成員身份信號。基于此，提出SD-MIA框架，通過跨模態數據擾動機制檢測預訓練數據成員身份，也就是在完全無法訪問模型內部參數的情況下，僅通過輸入圖像和文本擾動，就能判斷某張圖片是否參與過模型訓練。這類技術未來可能成為AI版權審計的重要工具。
｜實際解決的問題
現有MIA方法依賴圖像空間擾動，但VAE編碼器會壓縮掉細微差異，導致預訓練數據上的檢測信號幾乎消失；
閉源平臺（如 DALL·E、Gemini）不暴露中間層特征，灰盒方法無法部署。
解讀
假設有人偷偷臨摹了你的畫作去開畫展。你想知道他是不是真的臨摹了你的，以前的方法只能看他畫得“像不像”。這篇論文換了個思路：你給他描述一幅畫的文字，看他畫出來的細節變化。如果這幅畫他真的臨摹過，即使文字描述稍微改一點，他畫出來的東西變化也很小；如果沒臨摹過，改一點描述他就畫偏了。
論文四：換個角度看，水印就消失了
論文標題：RAVEN: Erasing Invisible Watermarks via Novel View Synthesis（RAVEN：利用新視角合成消除不可見水印）
論文鏈接：arXiv: 2601.08832
作者團隊：Fahad Shamshad, Nils Lukas, Karthik Nandakumar｜穆罕默德·本·扎耶德人工智能大學 (MBZUAI) 等
｜論文摘要
隱形水印是驗證AI生成圖像來源的關鍵技術，Google SynthID等方案已部署于數億張圖像。
本文暴露了一個根本性漏洞：將水印去除重新定義為“新視角合成”問題 — 生成同一語義內容的另一個“視角”，就好比從稍微偏移的位置重新拍攝同一場景，視覺上幾乎一致，但水印的空間相關性被徹底破壞。
RAVEN無需訪問水印檢測器、無需知道水印方案、無需訓練數據，僅通過擴散模型重新生成同一場景的新視圖，在保持視覺質量的同時去除水印。在15種水印方案上，RAVEN均達到當前最優的去水印且視覺保真效果，挑戰了當前主流AI水印方案的可靠性，為下一代內容溯源技術敲響警鐘。
｜實際解決的問題
現有水印魯棒性測試只考慮像素級和頻率級攻擊（壓縮、裁剪、加噪），忽略了語義保持的視角變換；
現有去水印方法要么需要水印檢測器白盒訪問，要么需要大量訓練數據，要么嚴重破壞圖像質量。
解讀
比如你家有一張帶隱形標記的畫。以前小偷想擦掉標記，只能用砂紙磨、用化學藥水洗，畫很容易被弄壞。這篇論文提供了新思路：不碰原畫，而是用相機重新拍一張照片。畫面內容完全一樣，但因為拍攝角度變了那么一點點，原來藏在特定像素位置里的隱形標記就對不上了。作者還設計了一個“對照校正”機制，確保新照片的顏色和細節跟原畫保持一致。想想也挺可怕的。
論文五：一個融合網絡，自適應服務多個任務
論文標題：Customized Fusion: A Closed-Loop Dynamic Network for Adaptive Multi-Task-Aware Infrared-Visible Image Fusion（Customized Fusion：面向多任務自適應紅外-可見光融合的閉環動態網絡）
論文鏈接：arXiv: 2604.08924
作者團隊：Zengyi Yang, Yu Liu, Juan Cheng, Zhiqin Zhu, Yafei Zhang, Huafeng Li｜合肥工業大學 & 重慶郵電大學 & 昆明理工大學等
｜論文摘要
紅外-可見光圖像融合旨在整合兩種模態的互補信息，但現有方法難以同時適應多個下游任務（如目標檢測、語義分割、顯著性檢測）。
本文提出閉環動態網絡CLDyN，通過語義傳輸鏈實現下游任務對融合網絡的顯式反饋。也就是，讓紅外與可見光融合結果能夠根據下游任務需求自動調整，而不需要重新訓練模型。在多個數據集上，CLDyN在保持高融合質量的同時展現出強多任務適應性。
｜實際解決的問題
通用性差：現有任務感知融合方法只在訓練過的特定任務上表現好，換一個新任務性能急劇下降；
語義信息有限：任務語義引導的方法直接注入任務特征，但融合特征與任務特征分布差異大，效果不佳。
解讀
想象你要把兩張照片合成一張：一張是夜視儀拍的紅外圖（能看清黑暗中的熱源，但看不清細節），一張是普通相機拍的可見光圖（顏色紋理豐富，但黑暗中看不見）。過往融合算法是固定參數的老式沖印機，無論用來做安防目標識別還是夜景成像，輸出底片效果統一。就好比固定配方的廚師，炒同一盤菜給所有人吃。CLDyN相當于一個會聽客人反饋的智能廚師：客人嘗了一口說“我需要更多辣椒”，廚師就自動調整配方；換個客人廚師又自動根據需求換一套做法。而且廚師只學一次，就能服務各種口味的客人。
看出來了嗎？
CoTyle在用極簡代碼讓你能創造自己的風格；ARGUS和RAVEN一個攻一個防，從兩端審視AI系統的脆弱性；SD-MIA可以對黑盒模型訓過什么數據做審計；而CLDyN用閉環機制打破“一個模型一個任務”的局限，可以一套機制管多個任務。
它們共同說明：當視覺AI的能力邊界不斷擴大時，研究的焦點也在從「能不能做」轉向「做得對不對、安不安全、能不能被信任」。這大概就是CVPR從學術會議走向產業基礎設施的必經之路。
專題
本專題其他文章
