几个小时前， EC CV 公布了今年度的最佳论文奖等奖项。

EC CV（European Conference on Computer Vision，欧洲计算机视觉国际会议）是计算机视觉（CV）领域的世界三大顶级会议之一，在 AI 和计算机科学界享有极高的学术声誉与影响力。今年的大会于 9 月 8-12 日在瑞典的马尔默举办。

今年的 EC CV 论文有效投稿数量为10473篇，2834篇论文被接收，中稿率27.1%，163 篇进入 oral，比例为 1.6%。

此外，根据统计，国内作者已成为 EC CV 的大头。

不过更令人关注的还是那些被认可的研究。

最佳论文奖

本年度的最佳论文奖给到了来自伦敦帝国学院的《Heat Kernel Textures -- the Geodesic Gaussians That Do Not Splat》，两位一作 Simone Foti 和 Caner Korkmaz 分别是该校的博士后研究者与博士生。

获奖理由：「表彰其在表面纹理表示方面做出的简洁而新颖的贡献：用非欧几里得流形上基于热扩散的测地高斯，取代了标准的 UV 映射和高斯泼溅。评审委员会指出，该方案优雅，且其潜力远不止于论文本身。」

论文标题：Heat Kernel Textures -- the Geodesic Gaussians That Do Not Splat

论文地址：https://eccv.ecva.net/virtual/2026/poster/3652

作者团队：Simone Foti ⋅ Caner Korkmaz ⋅ Stefanos Zafeiriou ⋅ Tolga Birdal

该研究提出了一种新的 3D 纹理表示方法Heat Kernel Textures，简称HKTex。其借鉴 3D Gaussian Splatting 用大量 Gaussian 表示视觉信息的思路，但不再把 Gaussian 放在 3D 欧氏空间里，而是直接把类似 Gaussian 的“热核”贴在物体的 Mesh 表面上。

传统 3D 模型通常用 UV Mapping 来贴纹理，也就是先把一个三维表面「摊平」成二维图，再在这张图上存颜色。这种方式用了几十年，但一直存在几个问题：展开会产生变形、接缝 seam、不同区域分辨率不一致，而且 UV 图上会有大量空白区域，浪费显存和存储空间。复杂模型还需要在接缝处复制顶点。

HKTex 的做法则是完全不要 UV Map。

可以把它想象成：在模型表面放置数千个「彩色斑点」，每个斑点类似一个 Gaussian 顺着曲面沿测地线扩散。数学上，作者使用的是 anisotropic heat kernel（各向异性热核），可以视为「曲面空间里的 Gaussian」。因此即使表面发生弯曲，这个纹理 primitive 也会自然跟着表面弯，而不会像普通 3D Gaussian 那样悬浮到模型外面。

虽然方法受到 Gaussian Splatting 启发，但该方法实际上并不进行 splatting。渲染时光线先与 Mesh 相交，然后在交点位置动态计算附近 heat kernels 对纹理颜色的贡献，因此它可以直接集成进可微分的 physically based rendering / ray tracing 管线。

这些 heat kernels 不是固定的。训练过程中它们的位置、方向、形状、尺度和颜色都可以优化，且 kernel 的移动被严格限制在 Mesh 表面。系统还会像 3DGS 的 densification 一样，在纹理复杂的地方自动增加 kernel，在简单区域减少 kernel。

因此它可以用于两种场景：一是把已有的 UV Texture 压缩成 HKTex；二是直接从多视角照片中通过 inverse rendering 反推出物体表面纹理，不需要先生成 UV。

实验结果说明了这个思路的吸引力。在 313 个 Objaverse 模型的纹理拟合实验中，作者称 HKTex 在保持较高图像质量的同时显著降低了纹理存储量。作者在论文附录中称，其纹理存储空间相比原始 GT UV texture 大约可以降低一个数量级。在从多视角图片恢复纹理的实验中，HKTex 平均只占约 78.7 KB，同时 PSNR、LPIPS、SSIM、MS-SSIM 和 MSE 均优于作者比较的几种 neural texture / vertex texture 基线。

最佳论文提名

另有两篇论文获得了 EC CV 2026最佳论文提名，作者来自 Meta、纽约州立大学石溪分校等机构。

论文标题：LSRM: High-fidelty Object-centric Rsconstruction via Scaled Context Windows

论文地址：https://eccv.ecva.net/virtual/2026/poster/4770

作者团队：Zhengqin Li、Cheng Zhang、Jakob Engel、Zhao Dong

获奖理由：表彰其极高的质量和出色的工程实现。该论文对以物体为中心的 3D 重建作出贡献，通过扩展 Transformer 架构中的上下文窗口长度来捕捉长距离跨视图依赖，从而实现更高的保真度。

这篇工作来自 Meta Reality Labs Research，其中提出了一个名为 LSRM（Large Sparse Reconstruction Model）的大型稀疏重建模型，回答的问题是：把 Transformer 的上下文窗口做大，能否改善前馈式 3D 重建的质量？

作者的出发点是：近年来以物体为中心的前馈重建方法虽然稳健、速度快，但在精细纹理和外观还原上仍然落后于逐场景优化的稠密视图方案。

他们判断，这一差距很大程度上来自 token 预算——只要显著增加参与计算的物体 token 与图像 token 数量，把上下文窗口撑开，前馈方法同样可以做到高保真的 3D 物体重建与逆向渲染。

为了让这种扩展在工程上可行，LSRM 把原生稀疏注意力（native sparse attention）迁移到了 3D 重建场景，并做了三处改造：

由粗到细的流水线，通过预测稀疏的高分辨率残差，把算力集中在信息量大的区域；

3D 感知的空间路由机制，用显式的几何距离而非常规注意力分数来建立 2D 与 3D 之间的对应关系；

面向分块结构的序列并行策略，配合 All-gather-KV 通信协议，在多卡之间平衡动态、稀疏的计算负载。

三者叠加，LSRM 能处理的物体 token 数量达到此前 SOTA 方法的 20 倍，图像 token 也超过 2 倍。

从论文给出的数据看，在标准新视角合成基准上，LSRM 相较当前 SOTA 取得了超过 2.4 dB 的 PSNR 提升和 40% 以上的 LPIPS 下降；进一步扩展到逆向渲染任务后，在常用基准上的纹理与几何细节也有一致改善，LPIPS 指标已经追平甚至超过基于稠密视图优化的方法。

论文标题：Poppy: Polarization-Based Plug-and-Play Guidance for Enhancing Surface Normal Estimation

论文地址：https://eccv.ecva.net/virtual/2026/oral/6004

项目页面：https://irnkim.github.io/poppy/

作者团队：Irene Kim ⋅ Sai Tanmay Reddy Chakkera ⋅ Alexandros Graikos ⋅ Dimitris Samaras ⋅ Akshat Dave

获奖理由：表彰其在基于多个纯 RGB 骨干网络的测试时自适应方面所作的贡献，且改进显著。仅凭单次偏振输入采集，即可消除歧义，尤其是在颇具挑战性的非偏振区域和复杂镜面反射场景中。

这篇论文来自纽约州立大学石溪分校，关注的是单目表面法线估计的一类顽固失败场景。

在大规模 RGB-法线数据上训练出来的估计器，遇到反光、无纹理和暗部表面时往往表现不佳，原因在于这类区域本身就缺少可供网络依赖的视觉线索。

作者提出引入偏振信息作为物理层面的补充。偏振信号编码的是表面朝向，与纹理和反照率无关，恰好覆盖了 RGB 方法最薄弱的地方。但已有的偏振方案要么需要多视角采集，要么依赖专门的训练数据，泛化能力受限。

他们提出了 Poppy：一个无需训练的框架，在测试阶段用单次拍摄的偏振测量值，去优化任意冻结 RGB 主干网络输出的法线。

方法设计上，主干权重全程冻结，Poppy 优化的是逐像素的偏移量，同时联合学习一套反射率分解。关键部件是一个可微渲染层，它把修正后的法线换算成偏振预测值，再与实际观测到的偏振信号比对，用两者之间的不一致作为惩罚项来驱动优化。换句话说，物理观测在这里充当的是测试时的监督信号，而非训练时的数据来源，这也是它能挂载到任意现成主干上的前提。

评测覆盖了七个基准和三类主干架构，分别是扩散模型、流模型和前馈模型。结果显示，Poppy 在合成数据上把平均角误差降低了 23%–26%，真实数据上的降幅为 6%–16%。作者由此认为，在测试阶段用偏振线索引导已有的 RGB 法线估计器，无需重新训练即可改善困难表面上的法线质量。

除了以上三篇论文， EC CV 也公布了进入决赛圈的10 篇候选论文：

时间检验奖

今年度有三篇十年前的论文获得时间检验奖。

论文标题：SSD: Single Shot MultiBox Detector

论文地址：https://arxiv.org/abs/1512.02325

作者团队：Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C. Berg

获奖理由：表彰其与 R-CNN 和 YOLO 模型系列一道，将目标检测带入深度学习时代。

论文标题：Perceptual Losses for Real-time Style Transfer and Super-resolution

论文地址：https://arxiv.org/abs/1603.08155

作者团队：Justin Johnson、Alexandre Alahi、李飞飞

获奖理由：表彰其提出基于预训练神经特征的感知损失函数——这一做法如今已极为普遍，以至于其源头几乎无人记得。

论文标题：Learning Without Forgetting

论文地址：https://arxiv.org/abs/1606.09282

作者团队：Zhizhong Li、Derek Hoiem

获奖理由：表彰其开创了持续学习这一理念——这至今仍是一个开放挑战，也是视觉 AI 研究中一个活跃的分支。

其它奖项

此外， EC VA 博士奖也一道发布，该奖项旨在表彰并鼓励在博士论文阶段于计算机视觉领域取得的杰出研究成果。每位获奖者将获得 2500 欧元奖金。该奖项每年颁发两项，并在下一届 EC CV 会议上授予。

EC VA 青年研究员奖则旨在表彰并鼓励计算机视觉领域青年研究人员的杰出研究成果。每位获奖者将获得 5000 欧元奖金。该奖项每年颁发一项，并在下一届 EC CV 会议上授予。

恭喜各位获奖者。

本文来自微信公众号“机器之心”（ID：almosthuman2014），作者：关注AI的机器之心