深度｜CVPR 2026 Best Paper Finalist 全解析：15 篇入圍之作，華人研究者幾乎承包獎臺

今年的 CVPR 在丹佛落幕，在已揭曉的獎項中，華人研究者拿下了 Best Paper 的第一作者席位，兩篇 Honorable Mention 的核心作者群同樣以華人為主體。 15 篇候選中，12 篇有華人研究者深度參與，華人作者總數超過 80 人。年度趨勢有三個關鍵詞：

3D 更易摘獎。從生成（TRELLIS.2）、重建（D4RT、VGGT-Ω）到數據集（3DReflecNet），再到通用分割（SAM 3D），3D 視覺已經占據了 CVPR 2026 最受關注的位置。Gaussian Splatting、前饋重建、4D 動態場景成為三條同時在奔跑的技術路線。

Diffusion 無處不在。生成模型的影響力早已溢出圖像生成的狹義定義，它滲透進了散景渲染（MagicBokeh）、圖像編輯（ChordEdit）、推理加速（SeaCache），乃至 3D 生成（TRELLIS.2）。本屆 15 篇候選中，至少有 6 篇與 Diffusion 相關。

小團隊仍有機會。Lord Sen 的 Mapping Networks 來自 NIT Rourkela——一所印度國家理工學院，作者只有兩人，其中第一作者還是本科生。Liangsi Lu 的 ChordEdit 來自廣東工業大學。這提醒我們 CVPR 的評審機制并未完全向資源優勢機構傾斜，足夠新穎且嚴謹的學術貢獻依然可以脫穎而出。

D4RT 摘得 Best Paper：華人研究者在 3D/4D 視覺賽道集體爆

Best Paper D4RT 來自 Google Deepmind，DeepMind 官方博客將其定性為"讓 AI 以四維方式認知世界的突破"。D4RT 的 一作 Chuhan Zhang 是 Google DeepMind 研究科學家，團隊來自 Google DeepMind、UCL、牛津大學，華人作者還包括 Shuyang Sun、Junyu Xie（牛津實習生）、Junlin Zhang。

D4RT（Dynamic 4D Reconstruction and Tracking）的核心方法，是用一個統一的前饋 Transformer 模型，同時解決動態場景的深度估計、相機參數恢復與時空對應關系。三個過去被拆開處理的子任務，被整合進了一套端到端系統。

其關鍵創新在于 Independent Querying Mechanism：不同于傳統的逐幀稠密解碼方式，D4RT 讓模型以任意時空點為 Query，靈活指出 3D 位置，從而規避了繁重的逐幀計算。相比此前最優方法，D4RT 推理速度快出 18 至 300 倍，在 TAPVid-3D 等多項基準上刷新紀錄。

兩篇 Honorable Mention 分別來自 Meta Superintelligence Labs 和 NVIDIA。

• SAM 3D 來自 Meta Superintelligence Labs，由 Piotr Dollár、Georgia Gkioxari 和 Jitendra Malik 三位大牛領銜，AuthorList 讀起來幾乎就是 Meta AI 華人研究者的點名冊：Xingyu Chen、Hao Tang、Weiyao Wang、Xiang Li、Aohan Lin、Jiawei Liu、Ziqi Ma、Bowen Song、Xiaodong Wang、Jianing Yang、Bowen Zhang、Fu-Jen Chu，12 人中大部分是華人，含多名來自中國頂校的實習生。人工在環的數據標注流水線 + 合成預訓練與真實場景對齊的多階段訓練框架，讓 SAM 3D 在真實世界物體 3D 重建的人類偏好測試中，以至少 5:1 的勝率超越近期工作。

• NitroGen 的 Motivations 簡單粗暴：互聯網上堆積著數十億小時的游戲錄像，這些數據幾乎沒有被系統性利用。能不能像 GPT 學語言一樣，讓模型從游戲視頻中學會玩游戲？NVIDIA 聯合 Stanford、Caltech 給出了回答：40,000 小時的跨 1000+ 款游戲訓練數據，一個統一的視覺—動作基礎模型（Vision-Action Foundation Model），以及 52% 的遷移學習提升率。三位共同一作分別來自：NVIDIA 研究院的 Linxi Jim Fan（Caltech/NVIDIA）、斯坦福的 Anas Awadalla，以及來自 Caltech 的博士生 Guanzhi Wang——他同時也是 Voyager 和 MineDojo 的作者，是具身領域少有的、在多項代表性工作上持續貢獻的年輕研究者。

02 華人研究者版圖：海外科技公司與國內高校并行

以機構為統計口徑，Meta AI 以 12+ 位華人作者高居榜首，SAM 3D 幾乎是一個華人研究者的聚集工作。NVIDIA 以 8-9 人位列第二，橫跨 PixelDiT（生成模型）和 NitroGen（具身智能）兩個賽道。Google DeepMind 的 4 位華人作者貢獻了今年的 Best Paper。Microsoft Research Asia 則通過 TRELLIS.2，展示了 MSRA 在 3D 生成方向持續深耕的成果。

在國內高校中，清華大學以約 9 名華人作者的參與體量高居首位，涉及 ViT3、TRELLIS.2 和 MIA 三篇工作，是貢獻最多的單一中國高校。BUPT（北京郵電大學）以 7 人參與 MIA 一文，體現出其在 AI 安全方向的深厚積累。CUHK-Shenzhen（香港中文大學深圳校區）的 7 位華人作者全部集中在 3DReflecNet 這一工作上。

純學術路徑產出的作品往往有更扎實的理論基礎：ViT3（清華）、TRELLIS.2（清華+MSRA）、3DReflecNet（CUHK-SZ）、MIA（BUPT+清華）均屬此類。公司內研則更善于整合大規模計算資源和數據，三篇獲獎作品（D4RT、SAM 3D、NitroGen）全部出自美國頂級科技公司內研團隊。產學聯合實習路徑已成為重要的第三極：PixelDiT（UR 博士實習 NVIDIA）、TRELLIS.2（清華博士實習 MSRA）、MagicBokeh（SIAT 實習 vivo）均是在實習期間產出的頂會成果。

從三維世界建模到視覺智能體

Best Paper Finalists 現場公布圖

每年 CVPR 的 Best Paper Finalists 都像是一張切片。它未必完整覆蓋計算機視覺領域最熱門的方向，卻往往能夠揭示研究界正在重新思考哪些基礎問題。觀察 CVPR 2026 的 15 篇 Best Paper Finalist，可以看到一個明顯變化：視覺研究的關注點正在從單一任務的精度提升，轉向更加完整的系統問題。這 15 篇論文大致可以歸入四條主線：三維視覺與空間智能、生成模型的架構重構與推理加速、高效學習與評測反思，以及多模態 Agent。它們共同回答了一個更大的問題：當視覺模型已經擁有較強的感知與生成能力，下一步究竟應該向哪里演化。

3D 更易摘獎：視覺模型開始真正進入空間

15 篇候選論文中，有 5 篇直接圍繞 3D 展開。無論從論文數量還是獲獎結果來看，三維視覺都是今年最清晰的一條主線。這并不只是一次熱點輪動，而是視覺模型能力邊界的一次系統性擴展。過去的 3D 視覺更多被視為計算機視覺中的專門分支，研究者圍繞深度估計、點云生成、多視角匹配和相機位姿展開工作。如今，3D 表示正在從任務輸出變成基礎能力。

D4RT Moedel Overview

D4RT 和 VGGT-Ω 所代表的前饋式重建路線，正在壓縮傳統三維視覺中冗長的處理鏈路。相機參數、深度、空間對應關系和動態軌跡，不再依賴多個模塊逐步優化，而是可以在統一模型中直接預測。D4RT 進一步將問題推進到動態場景：模型不僅要恢復幾何結構，還要理解物體如何隨時間運動。靜態重建回答的是物體在哪里，動態重建回答的是世界正在如何變化。對于機器人、自動駕駛、增強現實和世界模型而言，后一個問題顯然更加接近真實需求。

TRELLIS.2項目介紹視頻

SAM 3D 和 TRELLIS.2 則分別代表了三維視覺向通用化和生成式建模擴展的兩種路徑。SAM 3D 關注自然圖像中的真實物體，需要處理遮擋、背景干擾、不可見表面和復雜布局。模型不僅要恢復可見幾何，還要依賴大規模數據中學習到的先驗補全缺失結構。TRELLIS.2 則將問題推進到更底層的表示空間：如果三維對象無法被穩定壓縮、編輯和導出，再強的生成模型也難以真正落地。網格、體素、點云、隱式場和高斯基元各有優勢，結構化潛空間的設計因此成為三維生成能否繼續擴展的關鍵。

3DReflecNet 則把視線重新拉回真實世界。透明、反射和低紋理物體長期以來都是三維重建的薄弱環節。玻璃、鏡面和金屬表面會破壞光度一致性，純色表面又缺少穩定特征。這些問題很難通過單純擴大模型規模解決，必須依賴更具針對性的數據和評測體系。把這些論文放在一起，可以看到一條逐漸成形的技術棧：上游是復雜場景和真實數據，中間是結構化表示與規模擴展，下游是動態重建和可交互應用。三維視覺的終點已經不再是生成一張更加精細的點云，而是建立能夠被智能體理解、預測和操作的空間表征。

Diffusion 無處不在：生成模型正在變成視覺基礎設施

Diffusion 仍然是 CVPR 2026 最重要的技術關鍵詞之一。但它的影響力已經溢出傳統圖像生成，開始進入三維資產建模、單步圖像編輯、移動端散景渲染和推理鏈路優化。Diffusion 正在從一種特定模型，逐漸變成視覺系統中的通用計算框架。

PixelDiT生成圖像示例

PixelDiT 重新打開了像素空間生成這條路線。當前主流生成模型通常依賴 VAE，先將圖像壓縮到潛空間，再完成去噪和解碼。這樣做可以降低計算成本，但也會引入細節損失和誤差積累。PixelDiT 直接在像素空間建模，試圖擺脫傳統兩階段鏈路對圖像質量的約束。SeaCache 則關注擴散模型的另一個核心問題：為什么推理仍然如此緩慢。逐步去噪意味著大量重復計算，不同時間步之間并非所有特征都需要重新生成。通過識別可以安全復用的中間表示，SeaCache 將注意力從重新訓練模型轉向更精細地優化現有推理鏈路。

ChordEdit編輯圖像示例

ChordEdit 和 MagicBokeh 則展示了 Diffusion 在具體視覺任務中的外溢能力。ChordEdit 將圖像編輯重新組織為低能量傳輸問題，希望在單步推理中同時保留原始結構和編輯效果。MagicBokeh面向移動計算攝影，將超分辨率、深度估計和散景渲染整合進統一框架。TRELLIS.2 進一步將這種影響延伸到三維生成，使擴散模型能夠在更加緊湊的結構化潛空間中生成可用的三維資產。

這一組論文說明，生成模型研究已經進入更加成熟的階段。下一步競爭的重點不再只是生成質量，而是整個系統是否足夠直接、穩定、高效，并且能夠嵌入真實應用。Diffusion 已經不再是一個獨立賽道，而正在成為視覺基礎設施。

高效學習：真正需要減少的是無效計算

除了 3D 和 Diffusion，今年還有一組候選論文值得單獨討論。它們沒有共同使用某一種模型，卻在回答同一個問題：視覺系統中究竟有多少計算是可以被省略的。

傳統模型壓縮通常圍繞剪枝、量化、蒸餾和低秩分解展開。完整模型先被訓練出來，再通過工程手段逐步縮小。NuWa、ViT3、Mapping Networks 和 Rethinking Dataset Distillation 則將問題向前推進了一步：模型從一開始是否就應該針對具體任務設計，推理過程中是否能夠動態適應輸入，權重空間能否被重新參數化，數據壓縮的評測方式是否可靠。

NuWa模型結構圖

NuWa的出發點非常現實。很多邊緣設備并不需要識別所有類別。工業相機、無人機和車載模塊往往只服務于有限任務。既然設備需求本身具有明確邊界，就沒有必要保留完整模型中的全部知識。ViT3 重新劃分了訓練與推理的邊界。傳統視覺模型完成訓練后，參數基本固定，而 Test-Time Training 允許模型根據當前輸入進行輕量級適應。對于長序列和復雜上下文而言，這意味著模型不必提前存儲所有可能用到的信息，而可以在現場更新內部狀態。

Mapping Networks 從參數空間本身入手。它假設大型神經網絡的有效參數空間可能位于低維流形附近。與其直接優化海量權重，不如訓練一個更加緊湊的潛變量，再通過映射關系生成目標參數。Rethinking Dataset Distillation 則把矛頭對準評測體系本身。數據集蒸餾希望使用極少量樣本替代完整訓練集，但如果軟標簽已經攜帶了大量監督信息，那么性能提升究竟來自數據選擇，還是來自額外注入的知識，就必須重新拆解。

這組論文重新定義了效率。效率不只是讓模型變小，也不只是讓推理更快。它還包括移除與任務無關的知識、減少重復計算、壓縮權重表達空間，以及檢查評測協議中是否存在被忽略的信息泄漏。真正需要被壓縮的，不只是參數，而是整個系統中的無效部分。

從感知到行動：視覺模型也需要接受審計

NitroGen 和 Black-box Membership Inference Attacks on the Pre-training Data of Image-generation Models 看起來屬于完全不同的領域。一篇討論通用游戲智能體，另一篇討論生成模型的訓練數據審計。但它們其實指向同一個變化：視覺模型正在從單一工具變成開放環境中的系統。

NitroGen模型結構

NitroGen 的邏輯并不復雜。互聯網上已經積累了大量游戲視頻，其中包含豐富的視覺信息和動作序列。這些數據過去主要服務于娛樂內容傳播，很少被系統性用于訓練通用智能體。當模型開始從跨游戲視頻中學習視覺到動作的映射，游戲環境就不再只是 benchmark，而是智能體訓練場。不同游戲具有不同畫面風格、物理規則、動作空間和任務目標。一個能夠在多種游戲之間遷移的模型，本質上是在學習更加通用的行為先驗。這種路徑對具身智能同樣具有啟發：真實機器人數據昂貴、稀缺，并且伴隨設備成本和安全風險。虛擬環境無法替代真實世界，卻可以為感知、控制和跨任務遷移提供規模更大的訓練基礎。

模型能力越強，審計問題就越重要。圖像生成模型通常依賴大規模互聯網數據訓練。對于閉源平臺而言，外部用戶無法查看訓練集，也無法訪問內部參數。Black-box Membership Inference Attacks 研究的是一個非常現實的問題：在僅有黑盒調用權限的條件下，能否判斷某張圖像是否進入過模型預訓練數據。這類研究不只是為了發現漏洞，也關系到版權保護、隱私治理和訓練數據追蹤。

未來的視覺基礎模型需要同時接受兩類評價。一類評價模型是否足夠強，包括生成質量、三維理解、推理效率和動作能力；另一類評價模型是否足夠可信，包括數據來源、版權邊界、隱私風險和外部可驗證性。視覺模型正在走向行動，也正在走向審計。回看今年的三篇獲獎工作，D4RT、SAM 3D 和 NitroGen 分別落在動態空間建模、真實世界三維重建和通用視覺動作模型上。它們并不是孤立的例外，而是恰好對應了同一條演進路徑。計算機視覺正在從完成單一任務的算法，逐漸演變為能夠感知、生成、行動和接受審計的系統。

Best Paper Finalists 研究方向

CVPR 2026 的獎臺上，沒有一篇工作是靠堆參數或刷榜取勝的。Best Paper D4RT 贏在了對問題本質的重新定義；SAM 3D 贏在了數據規模與訓練范式的雙重突破；NitroGen 贏在了將具身智能與互聯網規模數據結合的正確時機。而貫穿這一切的，是華人研究者在計算機視覺領域無處不在的身影。

本報告基于 15 篇 Best paper list、CVPR 2026 官網、OpenReview、Google Scholar 及全網公開信息整理，部分數據為估算，如有出入歡迎指正。

加入ZF討論群，請先添加小助手微信

我們相信認知能夠跨越階層，

致力于為年輕人提供高質量的科技和財經內容。

稿件經采用可獲邀進入Z Finance內部社群，優秀者將成為簽約作者，00后更有機會成為Z Finance的早期共創成員。

我們正在招募新一期的實習生