听雨 发自 凹非寺
公众号 | QbitAI
CVPR 2026在丹佛刚刚落下帷幕，各项重磅奖项悉数揭晓，这或许是近年来技术含金量与“人才密度”双高的顶会之一。
从奖项分布来看，CVPR的品味正愈发鲜明：基础几何重建与底层视觉依旧是最高荣誉的宠儿，而通用智能体与大模型应用正在快速渗透。这背后折射出一个趋势——计算机视觉正在从“看懂”向“理解并交互”全面进化。
先给各位一个速览：
- 最佳论文：D4RT，一个能从单段视频里又快又准地重建动态4D场景的前馈模型，来自Google DeepMind（联合UCL、牛津）。这也意味着CVPR最佳论文连续两年颁向了几何重建（去年是VGGT）。
- 最佳论文荣誉提名（2篇）：Meta的单图3D重建基座模型SAM 3D，以及英伟达的通用游戏智能体大模型NitroGen。
- 最佳学生论文：清华×微软的TRELLIS.2——一个全华人阵容做出来的4B参数3D生成模型。
- 最佳学生论文提名：ChordEdit，一支来自广工大、深大、北大等的纯国内高校团队，一作还是本科生。
- 时间检验奖（Longuet-Higgins Prize）：双双颁给2016年的两位「祖师爷」——ResNet和YOLO。
- PAMI人物奖：年轻学者奖给了CMU的Deepak Pathak和MIT的Vincent Sitzmann；Thomas Huang纪念奖给了康奈尔的Noah Snavely。
今年论文奖的角逐相当惨烈：74篇入围、15篇杀进决赛圈，最终5篇拿到奖项。
规模上也是大年——CVPR 2026收到16092篇投稿、录用4071篇。论文数量再创新高，比去年增长23.71%。
△图片来自CVPR2026官方X账号
△图片来自CVPR2026官方X账号
作者、审稿人、领域主席数量也全部刷新历史纪录。
△图片来自CVPR2026官方X账号
值得关注但也不意外的是：这届的华人含量，也几乎拉满了。
从最佳论文一作，到最佳学生论文的整支队伍，再到时间检验奖里的ResNet四人组，每一格荣誉里都站着华人面孔。
不过这种华人霸榜的局面，过去十年也几乎是主旋律见怪不怪了。AI研究离不开华人，就像视觉研究离不开数据——一个客观事实。
但今年要说最令人耳目一新的，莫过于一众大厂名校里，大奖名单中有一个特殊存在——
拿下最佳学生论文提名的ChordEdit，出自广东工业大学、惠州学院、深圳大学、北京大学之手。一作以及团队里其他几位作者，都还是本科生。
纯学术团队，本科生阵容，一作还是没有大厂和名校资源的广东工业大学。
这或许是一个信号：顶会评价体系正在关注“无背景”但“有创意”的独立研究能力，而非仅仅迷信计算资源。
当然，CVPR赢麻了的何恺明大神，也是广东满分高考状元。
这届CVPR，美国丹佛举办，但粤是广东圆了。
最佳论文D4RT：把动态4D重建做成「随用随查」
今年CVPR的最佳论文是D4RT（《Effciently Reconstructing Dynamic Scenes One D4RT at a Time》）。
△图片来自CVPR2026官方X账号
从一段普通视频里，重建出场景随时间变化的几何与运动——也就是所谓的4D重建（3D空间+时间），一直是计算机视觉里最难啃的骨头之一。
过去的方法要么把任务拆成一堆模块分头处理（又慢又复杂），要么干脆搞不定动态区域的点对应关系，常常是几个毛病一起犯。
D4RT则换了个思路：把「逐帧把所有东西都解码一遍」的笨办法，改成「你问哪儿、我答哪儿」的按需查询。
具体来说，模型先用一个编码器，把整段视频压成一份全局场景表示；再挂一个轻量解码器，专门回答这么一个问题——
「视频里某个点，在某个时刻的三维位置是多少？」
深度图、点云、点轨迹、相机参数，全都从这同一套查询接口里吐出来，不用再为每个任务各养一个解码器。
效果上数字也很能打：在A100上，D4RT做位姿估计能跑到200+ FPS，比去年的最佳论文VGGT快约9倍，比MegaSaM快约100倍，精度还反超。
在一系列动态4D重建与追踪任务上刷新SOTA，并且支持对视频全部像素做稠密整体重建。
这里藏着一个有意思的「师承」彩蛋：去年CVPR 2025最佳论文是出自牛津VGG实验室的VGGT，今年D4RT直接把VGGT拎出来当主要对手并按在地上摩擦。
而D4RT的作者名单里，正坐着VGG的灵魂人物Andrew Zisserman。
同一条几何重建脉络，连续两年拿下CVPR最高荣誉。
从技术趋势看，这说明“显式几何重建”正在取代“隐式神经表达”成为新的范式中心。效率才是走向实用化的关键。
其他荣誉：提名、时间检验奖、学生论文、人物奖
最佳论文荣誉提名（2篇）
一篇是SAM 3D（《SAM 3D：3Dfy Anything in Images》），出自Meta超级智能实验室。
△图片来自CVPR2026官方X账号
这篇论文把「SAM」系列从分割延伸到了单图3D重建。
给一张普通照片，它就能预测物体的几何、纹理和空间布局，尤其擅长应付现实照片里常见的遮挡和杂乱场景。
背后是一套「人机协同」标注流水线，以前所未有的规模拿到带视觉grounding的3D数据，靠合成预训练+真实对齐的多阶段训练，捅破了3D领域长期的「数据墙」。
在面向真实物体和场景的人类偏好测试里，它拿到了至少5:1的胜率。
另一篇是NitroGen（《NitroGen: An Open Foundation Model for Generalist Gaming Agents》）。
△图片来自CVPR2026官方X账号
来自英伟达、斯坦福大学、加州理工学院、芝加哥大学和德克萨斯大学奥斯汀分校。
NitroGen是一个通用游戏智能体的开源基座模型。它在1000多款游戏、共4万小时游戏视频上训练，核心做了三件事：
- 用自动化方式从公开游戏视频里反解出玩家动作、构建互联网规模的「视频-动作」数据集；
- 搭一个能衡量跨游戏泛化的多游戏评测环境；
- 再用大规模行为克隆训出统一的「视觉-动作」策略。
从3D动作游戏的战斗，到2D平台跳跃的精细操作，再到程序生成世界里的探索它都能拿下，迁移到没见过的新游戏时，任务成功率最高有52%的相对提升。
这支队伍正是当年用MineDojo拿下NeurIPS最佳论文的英伟达班底。
值得一提的是，NitroGen这类“通用智能体”在视觉顶会获奖，说明CV领域正在发生“去视觉化”的结构性变化——决策与控制已然成为视觉研究的自然延伸。
时间检验奖（Longuet-Higgins Prize）
这个奖专颁给「发表十年、扛住了时间考验」的CVPR论文，今年一口气给了2016年发表的两篇：
一篇是ResNet（《Deep Residual Learning for Image Recognition》）。
△图片来自CVPR2026官方X账号
ResNet用残差连接破解了深层网络「越深越难训」的死结，让上百层的网络真正可训。
十年来它几乎成了深度学习的默认地基，从视觉的CNN到NLP的Transformer再到大模型，处处都有残差连接的影子。
目前引用量已超过32万。
另一篇是YOLO v1的原始论文。
△图片来自CVPR2026官方X账号
在它之前，检测主流是「先圈候选框、再逐个分类」的R-CNN路线。
YOLO把检测一把改写成端到端回归，整张图只看一次就直接输出「哪里有什么」。在Titan X上跑到45 FPS、Fast版本更是155 FPS，第一次让「实时检测」真正可用，直接催生了SSD、RetinaNet和后来整个YOLO家族。
目前引用量接近8万。
给这两篇论文颁奖，CVPR不仅在致敬历史，更是在提醒社区：那些看起来“简单”的算法创新，才是推动产业革命最持久的力量。
最佳学生论文：TRELLIS.2
获奖论文《Native and Compact Structured Latents for 3D Generation》，来自清华大学、微软研究院、中科大与Microsoft AI。
它有个更响亮的名字：TRELLIS.2。
△图片来自CVPR2026官方X账号
它要解决的，是当前3D生成「画面越来越真、但表示方法拖后腿」的尴尬：复杂拓扑、精细外观总是抓不住。
团队的解法是一种叫O-Voxel的新型稀疏体素结构，把几何和外观（连PBR材质参数都算上）同时编进去，能稳稳建模开放面、非流形、全封闭等各种刁钻拓扑。
再配一个稀疏压缩VAE把它压成紧凑的潜在空间，最后训了个40亿参数的flow-matching大模型来做图生3D。
规模虽大，推理却很快，生成资产的几何和材质质量都明显甩开现有模型。
最佳学生论文提名：ChordEdit
《ChordEdit: One-Step Low-Energy Transport for Image Editing》，来自广东工业大学、惠州学院、深圳大学和北京大学，同时也是今年的Oral。
△图片来自CVPR2026官方X账号
它解决的是一步式（单步推理）文生图模型的痛点：这类模型生成飞快，但想拿来做文本引导的图像编辑，硬压成一步往往就崩——物体变形、该保留的地方也跟着乱。
团队把图像编辑重新表述成一个最优传输问题：在源文本和目标文本各自定义的分布之间做传输，再基于动态最优传输理论推出一套低能量控制策略，让编辑场更平滑、更稳，一大步就能走完。
最终效果是：这些「快但难编辑」的模型，第一次真正具备了实时编辑能力。
PAMI人物奖
年轻学者奖（Young Researcher Award），颁给博士毕业7年内、已形成代表性研究方向的青年学者。今年获奖的有两位。
一位是Deepak Pathak，CMU副教授，横跨CV、机器学习与机器人，研究机器人如何在真实世界里学习、感知与行动。
另一位是Vincent Sitzmann，MIT副教授，主攻神经场景表示、3D视觉、世界模型等，目标是让机器像人一样理解和模拟世界。
△图片来自CVPR2026官方X账号
Thomas S. Huang纪念奖，表彰在研究、教学/指导与社区服务上堪称典范的学者。
今年授予康奈尔大学教授Noah Snavely（计算机视觉与图形学）。
值得一提的是，这个奖本身正是为纪念已故华裔计算机视觉先驱黄煦涛（Thomas S. Huang）而设。
CVPR依旧华人闪耀，但“去中心化”趋势开始显现
这届CVPR，华人含量依然很高。
这种存在感，从投审两端的数据就能看出来：在作者来源地里，中国以23233人断层第一，几乎是第二名美国（7556）的三倍。
审稿人同样是中国（10687）人数更多。
△图片来自CVPR2026官方X账号
再看各路获奖论文，华人面孔也是层出不穷。
最佳论文D4RT的一作是DeepMind资深研究科学家Chuhan Zhang（张楚晗）。
她此前在牛津大学几何研究组 （VGG）获得博士学位，导师正是Andrew Zisserman，研究方向覆盖视频理解、动态3D场景重建和生成模型的自动评估。
最佳论文的作者中，还包括牛津与DeepMind的多位华人研究者。
Junyu Xie，同样来自牛津VGG，师从Andrew Zisserman和谢伟迪。D4RT正是他2025年夏在DeepMind实习期间完成的工作。
还有Shuyang Sun和Junlin Zhang，均为Google DeeoMind研究员。
而最佳学生论文TRELLIS.2，整支队伍是全华人阵容。
一作Jianfeng Xiang（向剑锋）是清华博士生，同时也是上一代爆款3D生成模型TRELLIS（v1）的一作。
Xiaoxue Chen （陈小雪），清华大学人工智能产业研究院（AIR）的博士研究生，研究方向为计算机视觉。
通讯作者Jiaolong Yang（杨蛟龙）来自微软亚研院，长期深耕3D视觉与生成。
Sicheng Xu（徐思成），同样来自微软亚研院，研究方向为物理人工智能和多模态。
Ruicheng Wang（王瑞程），中国科学技术大学计算机科学与技术学院的博士生，研究方向为空间智能。
Zelong Lv，中国科学技术大学计算机科学学院博士生。
Yu Deng（邓誉），微软亚研院高级研究员，研究方向为3D视觉生成、空间理解和具身智能。
Hao Zhao（赵昊），清华大学智能产业研究院（AIR）助理教授，曾任Intel Labs China研究科学家。研究方向为机器人3D场景理解、具身智能、自动驾驶。
Nicholas Jing Yuan（袁晶），微软全球合伙人、全球资深副总裁技术顾问；IEEE Fellow，引用17000+
此前曾任华为云人工智能副总裁、首席科学家兼语言与语音创新实验室主任。在微软期间，主导开发了微软小冰人工智能生成内容技术。
最佳学生论文提名ChordEdit，则是一支纯国内高校班底，甚至其中有不少本科生。
一作Liangsi Lu（卢梁司），广东工业大学信息与计算科学专业的本科生，研究方向为表征学习和视觉生成。
通讯作者Yang Shi，广东工业大学计算机科学学院的本科生，研究方向为计算机视觉和数据挖掘。
团队还有来自深圳大学、北京大学等的研究者，是今年华人荣誉里少见的「全本土」队伍。
Xuhang Chen，惠州学院计算机科学与工程学院讲师，同时在旭日信息科技担任研究员。2025年在澳门大学和中国科学院深圳先进技术研究院（SIAT）获得计算机科学博士学位。
此外还有Minzhe Guo（来自广东工业大学）、Shichu Li（来自深圳大学）、Jingchao Wang（来自北京大学）等作者。
接下来是时间检验奖ResNet的四位作者——何恺明、张祥雨、任少卿、孙剑。
这篇十年前从微软亚洲研究院走出的工作，如今几乎撑起了半个深度学习世界。
一作何恺明是其中最广为人知的那个。
ResNet之后，他又先后做出了Mask R-CNN、FPN、MAE等一系列奠基性工作，目前已从Meta AI转赴MIT任教，是当下计算机视觉领域引用量最高的研究者之一。
也有网友在X上po出了与恺明的合照，感觉大佬好像瘦了呢（狗头
此外，Meta的超级智能实验室（MSL）和英伟达的两篇提名论文里，华人作者也非常多，放眼过去简直是「人从众」……
有趣的是，Meta内部的非华人员工曾表示感觉自己融入不进去公司，因为团队里华人太多了……嗯，从这个论文名单里也能一窥一二。
感兴趣的朋友还可以继续深挖。
总之，让我们祝贺在CVPR 2026获得认可和嘉奖的所有朋友，也准备好接下来在如此火爆的AI时代被追逐的准备吧～
苟富贵，好好推动AI，造福全人类～
