ECCV 2026在几小时前公布了本年度最佳论文、最佳论文提名、时间检验奖等多项奖项结果。ECCV全称为European Conference on Computer Vision，是计算机视觉领域三大顶级会议之一。今年大会于9月8日至12日在瑞典马尔默举行。
官方披露的投稿数据显示，ECCV 2026共收到10473篇有效投稿，接收2834篇论文，中稿率为27.1%；其中163篇进入oral，比例为1.6%。据文中统计，国内作者已成为ECCV投稿作者中的重要组成部分。
最佳论文授予伦敦帝国学院团队
本届最佳论文奖颁给了伦敦帝国学院的论文《Heat Kernel Textures -- the Geodesic Gaussians That Do Not Splat》。两位一作分别为该校博士后研究者Simone Foti和博士生Caner Korkmaz，作者团队还包括Stefanos Zafeiriou和Tolga Birdal。
评审给出的获奖理由是：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标准的UV映射和高斯泼溅。评审委员会认为，这一方案设计优雅，其潜力也不止于论文当前展示的内容。
论文地址为：https://eccv.ecva.net/virtual/2026/poster/3652
这项研究提出了一种新的3D纹理表示方法Heat Kernel Textures，简称HKTex。它借鉴了3D Gaussian Splatting用大量Gaussian表达视觉信息的思路，但没有把Gaussian放在3D欧氏空间中，而是把类似Gaussian的“热核”直接放在物体的Mesh表面。
传统3D模型通常依赖UV Mapping贴纹理，也就是先把三维表面展开为二维图，再在图上存储颜色信息。文中提到，这一方案长期存在几个问题，包括展开带来的变形、接缝、不同区域分辨率不一致，以及UV图中大量空白区域造成的显存和存储浪费；复杂模型还需要在接缝位置复制顶点。
HKTex则不再使用UV Map。按论文描述，可以把它理解为在模型表面放置数千个“彩色斑点”，每个斑点都像一个Gaussian，沿着曲面按测地线扩散。作者在数学上采用的是anisotropic heat kernel，也就是各向异性热核，可视作“曲面空间里的Gaussian”。这使得表面发生弯曲时，纹理基元会随曲面自然变化，而不是像普通3D Gaussian那样悬浮在模型外侧。
尽管方法受到Gaussian Splatting启发，HKTex本身并不执行splatting。渲染时，光线先与Mesh相交，再在交点位置动态计算附近heat kernels对纹理颜色的贡献，因此可以直接集成到可微分的physically based rendering和ray tracing管线中。
这些heat kernels并非固定参数。训练阶段，它们的位置、方向、形状、尺度和颜色都可以被优化，同时kernel的移动被严格限制在Mesh表面。系统还会像3DGS中的densification一样，在纹理复杂区域自动增加kernel，在简单区域减少kernel。
论文给出的应用场景有两类：一类是把已有的UV Texture压缩成HKTex；另一类是直接从多视角照片通过inverse rendering反推出物体表面纹理，不需要先生成UV。
实验部分覆盖了313个Objaverse模型的纹理拟合任务。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。根据论文附录，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。在从多视角图像恢复纹理的实验里，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和vertex texture基线。
两篇论文获最佳论文提名
ECCV 2026另有两篇论文获得最佳论文提名，作者分别来自Meta、纽约州立大学石溪分校等机构。
Meta团队论文LSRM获提名
其中一篇提名论文为《LSRM: High-fidelty Object-centric Rsconstruction via Scaled Context Windows》，作者为Zhengqin Li、Cheng Zhang、Jakob Engel、Zhao Dong。
论文地址为：https://eccv.ecva.net/virtual/2026/poster/4770
评审给出的理由是：该研究兼具很高的质量和出色的工程实现，对以物体为中心的3D重建作出贡献；论文通过扩展Transformer架构中的上下文窗口长度来捕捉长距离跨视图依赖，从而实现更高保真度。
这项工作来自Meta Reality Labs Research，提出了一个名为LSRM，即Large Sparse Reconstruction Model的大型稀疏重建模型。论文试图回答的问题是：把Transformer的上下文窗口做大，能否改善前馈式3D重建质量。
作者指出，近年来以物体为中心的前馈重建方法虽然稳健且速度快，但在精细纹理与外观还原上仍落后于逐场景优化的稠密视图方案。他们认为，这种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和图像token数量，扩大上下文窗口，前馈方法同样可以做到高保真的3D物体重建与逆向渲染。
为使这种扩展在工程上可行，LSRM把native sparse attention迁移到3D重建场景，并进行了三项改造：
- 采用由粗到细的流水线，通过预测稀疏的高分辨率残差，把算力集中到信息量更高的区域；
- 引入3D感知的空间路由机制，使用显式几何距离而非常规注意力分数建立2D与3D之间的对应关系；
- 采用面向分块结构的序列并行策略，并配合All-gather-KV通信协议，在多卡之间平衡动态、稀疏的计算负载。
按照论文给出的结果，LSRM可处理的物体token数量达到此前SOTA方法的20倍，图像token数量也超过2倍。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，并将LPIPS降低40%以上。进一步扩展到逆向渲染任务后，在常用基准上的纹理和几何细节也有一致改善，LPIPS已经追平甚至超过基于稠密视图优化的方法。
Poppy聚焦单目表面法线估计
另一篇提名论文为《Poppy: Polarization-Based Plug-and-Play Guidance for Enhancing Surface Normal Estimation》，项目页面为：https://irnkim.github.io/poppy/
论文地址为：https://eccv.ecva.net/virtual/2026/oral/6004
作者团队包括Irene Kim、Sai Tanmay Reddy Chakkera、Alexandros Graikos、Dimitris Samaras、Akshat Dave。
评审给出的理由是：该研究在多个纯RGB骨干网络上的测试时自适应方面取得了显著改进，仅凭单次偏振输入采集，就能消除歧义，尤其是在非偏振区域和复杂镜面反射等困难场景中。
这篇论文来自纽约州立大学石溪分校，关注单目表面法线估计中一类长期存在的失败场景。文中指出，在大规模RGB-法线数据上训练出的估计器，遇到反光、无纹理和暗部表面时往往效果较差，因为这些区域缺少可供网络依赖的视觉线索。
作者提出把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，恰好能覆盖RGB方法最薄弱的部分。不过，已有偏振方案通常需要多视角采集，或者依赖专门训练数据，泛化能力有限。
Poppy则是一个无需训练的框架。它在测试阶段利用单次拍摄得到的偏振测量值，去优化任意冻结RGB主干网络输出的法线结果。设计上，主干权重始终冻结，Poppy优化的是逐像素偏移量，同时联合学习一套反射率分解。
其关键部件是一个可微渲染层：该模块先把修正后的法线换算成偏振预测值，再与真实观测到的偏振信号进行比对，并将两者的不一致作为惩罚项推动优化。论文据此将物理观测视作测试阶段的监督信号，而不是训练阶段的数据来源，这也是该方法可以直接挂载到现成主干模型上的前提。
评测覆盖七个基准和三类骨干架构，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23%至26%，在真实数据上的降幅为6%至16%。作者认为，仅在测试阶段引入偏振线索，就可以在不重新训练的情况下改善困难表面上的法线估计质量。
时间检验奖公布，李飞飞参与论文入选
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。与此同时，本届时间检验奖授予了3篇发表于十年前的论文。
第一篇为《SSD: Single Shot MultiBox Detector》，论文地址为：https://arxiv.org/abs/1512.02325，作者团队包括Wei Liu、Dragomir Anguelov、Dumitru Erhan、Christian Szegedy、Scott Reed、Cheng-Yang Fu、Alexander C. Berg。获奖理由是，该论文与R-CNN和YOLO模型系列一道，将目标检测带入深度学习时代。
第二篇为《Perceptual Losses for Real-time Style Transfer and Super-resolution》，论文地址为：https://arxiv.org/abs/1603.08155，作者为Justin Johnson、Alexandre Alahi、李飞飞。获奖理由是，该论文提出了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，以至于其源头几乎已少有人提及。
第三篇为《Learning Without Forgetting》，论文地址为：https://arxiv.org/abs/1606.09282，作者为Zhizhong Li、Derek Hoiem。获奖理由是，该研究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研究中活跃的分支。
ECVA同步发布博士奖和青年研究员奖信息
除论文奖项外，ECVA博士奖也一并发布。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青年研究员奖则用于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。
本文来自微信公众号“机器之心”（ID：almosthuman2014），作者为“关注AI的机器之心”。