该文介绍首个指令式超高分辨率图像编辑数据集VINS-120K，含12万组4K三元组，并配套评测基准VINS-4KEval。提出高频感知后适应策略，通过注意力重缩放和频域监督，将低分辨率模型扩展至4K编辑，显著提升细节保真度，优于现有方法。

PixelDiT提出单阶段端到端像素空间扩散Transformer，无需VAE，采用补丁级和像素级双层架构，结合像素级AdaLN与Token压缩，高效建模全局语义和局部纹理。在ImageNet 256×256达1.61 FID，文生图GenEval 0.74，逼近潜空间模型，并避免VAE重建伪影，利于细节保留。

DirectFisheye-GS框架由京东零售与清华大学联合提出，将鱼眼模型原生嵌入3D高斯泼溅管线，实现鱼眼图像直接无损处理，并引入跨视角联合优化，解决形状畸变和视角不一致问题。实验在多个数据集上达到或超越SOTA，兼容现有工具链，兼顾渲染效率与重建质量，论文已被CVPR 26接收。

DirectFisheye-GS框架由Oxygen XR团队与清华大学联合提出，将鱼眼模型原生嵌入3D高斯泼溅管线，实现鱼眼图像直接无损处理，并引入跨视角联合优化，解决高斯形状畸变和视角不一致问题。实验在多个数据集上达到或超越SOTA，兼容现有工具链，兼顾渲染效率与重建质量，论文被CVPR 26接收。

本文介绍了DGAF-VSR，一种基于扩散模型的视频超分辨率方法。该方法通过光流引导变形模块和特征级时序条件模块，显著提升了视频的感知质量、重建保真度和时序一致性。实验结果表明，DGAF-VSR在多个数据集上表现优异，为短视频和直播等应用提供了重要突破。

Om AI发布全球首个端侧流式多模态模型VLX，旨在实现持续感知、精准定位和行动决策。VLX包含三款模型：Flow负责实时感知，Seek进行精确定位，Go实现行动。该系统专为物理世界设计，能够在手机、无人机等设备上高效运行，满足实时响应需求。

ICRA与CVPR大会刚结束，机器人和具身智能领域的研究者们探讨新方向。量子位与Lumina社区在北京举办沙龙，邀请技术专家分享大会观察与经验，促进交流，欢迎具身智能领域的研究者参与。

NTIRE 2026挑战赛专注于UGC短视频的复杂降质修复，面向全球研究者开放。比赛基于KwaiVIR数据集，涵盖合成与真实降质视频，旨在推动生成模型在视频修复中的应用。共95支队伍参赛，最终12支提交有效结果，展示了UGC短视频修复的进展。

CVPR 2026在丹佛举行，收到16092篇投稿，华人研究者表现突出。最佳论文D4RT实现动态场景的高效重建，最佳学生论文ChordEdit由广东工业大学等团队完成，展现了本科生的实力。华人在计算机视觉领域的贡献持续增加。

小鹏在CVPR 2026展示了其物理AI技术，首次完整展示世界模型技术图谱。该模型具备主动思考、可控生成和长时序推演能力，结合第二代VLA，提升了自动驾驶的安全性与可控性。小鹏通过密集预测和数据驱动，在自动驾驶领域取得显著进展，成为全球物理AI的领先者。

苹果将在2026年IEEE/CVF计算机视觉与模式识别会议（CVPR）上展示新研究，会议定于6月3日至7日在丹佛举行。苹果将设立展位，展示实时视觉流助手模型评估和视频生成建模等项目。此外，苹果还将参与2024年神经信息处理系统会议（NeurIPS）和自然语言处理经验方法会议（EMNLP）。

小米在CVPR 2026 NTIRE赛事中获得三项大奖，包括高效超分辨率赛道和人像修复赛道的冠军。其SPANV2算法在推理速度和重建质量上表现出色，显著提升图像处理效率。人像修复采用双阶段框架，确保细节真实自然。反光消除技术通过升级骨干网络和知识蒸馏提升反射抑制能力。小米将继续推动影像算法技术的发展。

联邦学习中，平衡模型性能、数据隐私和通信开销是一大挑战。清华大学等研究团队提出了基于表征纠缠的框架FedRE，能够有效保护隐私并降低通信成本，同时适应模型异构场景。FedRE通过融合不同类别的表征生成纠缠表征，上传至服务器训练全局分类器，从而显著提升模型性能和隐私保护能力。

浙大城市学院等团队构建了首个专用超声图像-文本数据集US-365K，解决了超声影像领域的数据缺口和语义模糊问题。提出的Ultrasound-CLIP框架通过结构化推理和双目标优化，提升了超声诊断的准确性和模型的泛化能力，相关成果已开源，为超声AI研究奠定基础。

ReCALL框架通过“诊断-生成-校准”闭环解决了多模态大模型在检索中的范式冲突，提升了细粒度推理能力，显著提高了组合图像检索的性能，标志着大模型向下游任务迁移的新阶段。

浙江大学与阿里巴巴等团队研究发现，多模态大模型在视觉推理中存在“盲目自信”现象，即在图像质量下降时仍保持高置信度。为解决此问题，提出CA-TTS框架，通过置信度校准和资源分配优化推理效果。实验表明，该方法在多个视觉推理基准上显著提升准确率，强调了先感知后推理的重要性。

Luma AI推出的Uni-1模型在图像理解与生成方面表现优异，超越谷歌的Nano Banana Pro和GPT Image 1.5。该模型由不到15人的华人团队开发，具备角色姿态迁移和草稿转漫画等功能，展现出强大的竞争力，预示着视觉AI的未来发展方向。

本文介绍了OmniZip，一种轻量化的多模态无损压缩框架，能够高效压缩自然图像、医疗影像和文本等七种模态数据。OmniZip通过统一分词策略和动态路由机制，在保持小参数量的同时显著提升压缩效率，超越传统工具，适用于资源受限的移动设备，实现近实时推理。

百度在CVPR 2026会议上成功入选12篇论文，涉及多模态理解、人脸识别和自动驾驶等领域，展示了其技术实力与创新能力。此次会议吸引了全球顶尖投稿，录用率为25.42%。

抱歉，提供的文本内容不足以进行总结。请提供更详细的文章内容。