刚刚，ECCV最佳论文出炉，李飞飞获时间检验奖

ECCV 近日揭晓了本年度最佳论文等多个奖项，其中李飞飞参与的论文获得了时间检验奖。

ECCV（欧洲计算机视觉国际会议）是计算机视觉领域三大顶级会议之一，在 AI 与计算机科学界拥有极高声誉和影响力。本届会议于 9 月 8 日至 12 日在瑞典马尔默举行。

今年 ECCV 有效投稿达 10473 篇，接收 2834 篇，接收率为 27.1%，其中 163 篇入选口头报告，占比 1.6%。

统计显示，中国作者已成为 ECCV 的重要力量。

不过，更受瞩目的还是那些获奖的研究。

最佳论文奖

本年度最佳论文奖授予了伦敦帝国学院的《Heat Kernel Textures -- the Geodesic Gaussians That Do Not Splat》。两位第一作者 Simone Foti 和 Caner Korkmaz 分别为该校博士后研究员和博士生。

获奖理由为：“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

该研究提出了一种名为 Heat Kernel Textures（HKTex）的新型 3D 纹理表示方法。它借鉴 3D Gaussian Splatting 用大量高斯表示视觉信息的思路，但不再将高斯置于 3D 欧氏空间，而是直接把类似高斯的“热核”附着在物体的网格表面上。

传统 3D 模型通常使用 UV 映射来贴纹理，即先将三维表面“摊平”成二维图，再存储颜色。这种方法沿用多年，但存在变形、接缝、分辨率不一致以及 UV 图空白区域浪费显存和存储空间等问题。复杂模型还需在接缝处复制顶点。

HKTex 的做法则是完全摒弃 UV 映射。

可以将其想象为：在模型表面放置数千个“彩色斑点”，每个斑点类似一个高斯，沿曲面按测地线扩散。数学上，作者使用了各向异性热核，可视为“曲面空间中的高斯”。因此，即使表面弯曲，这些纹理基元也会自然随曲面弯曲，而不会像普通 3D 高斯那样悬浮到模型外部。

尽管该方法受高斯泼溅启发，但它实际上不进行泼溅操作。渲染时，光线先与网格相交，然后在交点处动态计算附近热核对纹理颜色的贡献，因此可直接集成到可微分的基于物理的渲染/光线追踪管线中。

这些热核并非固定不变。在训练过程中，它们的位置、方向、形状、尺度和颜色均可优化，且核的移动严格限制在网格表面。系统还会像 3DGS 的密度化一样，在纹理复杂区域自动增加核，在简单区域减少核。

因此，该方法可用于两种场景：一是将现有 UV 纹理压缩为 HKTex；二是直接从多视角照片通过逆渲染反推物体表面纹理，无需先生成 UV。

实验结果展示了该思路的吸引力。在 313 个 Objaverse 模型的纹理拟合测试中，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。论文附录指出，其纹理存储空间相比原始 GT UV 纹理大约可降低一个数量级。在多视角图片恢复纹理的实验中，HKTex 平均仅占约 78.7 KB，且 PSNR、LPIPS、SSIM、MS-SSIM 和 MSE 均优于作者比较的几种神经纹理/顶点纹理基线。

最佳论文提名

另有两篇论文获得 ECCV 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-fidelity Object-centric Reconstruction 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。

这项工作来自 Meta Reality Labs Research，提出了一个名为 LSRM（Large Sparse Reconstruction Model）的大型稀疏重建模型，旨在回答：扩大 Transformer 的上下文窗口能否提升前馈式 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稳健且速度快，但在精细纹理和外观还原上仍落后于逐场景优化的稠密视图方案。

他们判断，这一差距主要源于 token 预算——只要显著增加参与计算的物体 token 与图像 token 数量，扩大上下文窗口，前馈方法同样能实现高保真的 3D 物体重建与逆向渲染。

为使这种扩展在工程上可行，LSRM 将原生稀疏注意力迁移到 3D 重建场景，并进行了三项改进：

• 由粗到细的流水线，通过预测稀疏的高分辨率残差，将算力集中在信息量大的区域；
• 3D 感知的空间路由机制，使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。

这三项改进叠加后，LSRM 可处理的物体 token 数量达到此前 SOTA 方法的 20 倍，图像 token 也超过 2 倍。

从论文数据看，在标准新视角合成基准上，LSRM 相较当前 SOTA 实现了超过 2.4 dB 的 PSNR 提升和 40% 以上的 LPIPS 下降；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中的一类顽固失败场景。

在大规模 RGB-法线数据上训练出的估计器，在遇到反光、无纹理和暗部表面时往往表现不佳，原因在于这些区域本身缺乏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 方法最薄弱的环节。但现有偏振方案要么需要多视角采集，要么依赖专门训练数据，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，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，它将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驱动优化。换句话说，物理观测在此充当测试时的监督信号，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 在合成数据上将平均角误差降低了 23%–26%，真实数据上降幅为 6%–16%。作者由此认为，在测试阶段用偏振线索引导现有 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。

除上述三篇论文外，ECCV 还公布了进入决赛圈的 10 篇候选论文。

时间检验奖

今年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，ECVA 博士奖也同期发布，该奖项旨在表彰并鼓励博士论文阶段在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 ECCV 会议上授予。

ECVA 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 ECCV 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，36氪经授权发布。在九游体育的报道中，这些奖项的颁发进一步彰显了计算机视觉领域的创新活力。