深度｜CVPR 2026 Best Paper Finalist 全解析：15 篇入围之作，华人研究者几乎承包奖台

今年的 CVPR 在丹佛落幕，在已揭晓的奖项中，华人研究者拿下了 Best Paper 的第一作者席位，两篇 Honorable Mention 的核心作者群同样以华人为主体。 15 篇候选中，12 篇有华人研究者深度参与，华人作者总数超过 80 人。年度趋势有三个关键词：

3D 更易摘奖。从生成（TRELLIS.2）、重建（D4RT、VGGT-Ω）到数据集（3DReflecNet），再到通用分割（SAM 3D），3D 视觉已经占据了 CVPR 2026 最受关注的位置。Gaussian Splatting、前馈重建、4D 动态场景成为三条同时在奔跑的技术路线。

Diffusion 无处不在。生成模型的影响力早已溢出图像生成的狭义定义，它渗透进了散景渲染（MagicBokeh）、图像编辑（ChordEdit）、推理加速（SeaCache），乃至 3D 生成（TRELLIS.2）。本届 15 篇候选中，至少有 6 篇与 Diffusion 相关。

小团队仍有机会。Lord Sen 的 Mapping Networks 来自 NIT Rourkela——一所印度国家理工学院，作者只有两人，其中第一作者还是本科生。Liangsi Lu 的 ChordEdit 来自广东工业大学。这提醒我们 CVPR 的评审机制并未完全向资源优势机构倾斜，足够新颖且严谨的学术贡献依然可以脱颖而出。

D4RT 摘得 Best Paper：华人研究者在 3D/4D 视觉赛道集体爆

Best Paper D4RT 来自 Google Deepmind，DeepMind 官方博客将其定性为"让 AI 以四维方式认知世界的突破"。D4RT 的 一作 Chuhan Zhang 是 Google DeepMind 研究科学家，团队来自 Google DeepMind、UCL、牛津大学，华人作者还包括 Shuyang Sun、Junyu Xie（牛津实习生）、Junlin Zhang。

D4RT（Dynamic 4D Reconstruction and Tracking）的核心方法，是用一个统一的前馈 Transformer 模型，同时解决动态场景的深度估计、相机参数恢复与时空对应关系。三个过去被拆开处理的子任务，被整合进了一套端到端系统。

其关键创新在于 Independent Querying Mechanism：不同于传统的逐帧稠密解码方式，D4RT 让模型以任意时空点为 Query，灵活指出 3D 位置，从而规避了繁重的逐帧计算。相比此前最优方法，D4RT 推理速度快出 18 至 300 倍，在 TAPVid-3D 等多项基准上刷新纪录。

两篇 Honorable Mention 分别来自 Meta Superintelligence Labs 和 NVIDIA。

• SAM 3D 来自 Meta Superintelligence Labs，由 Piotr Dollár、Georgia Gkioxari 和 Jitendra Malik 三位大牛领衔，AuthorList 读起来几乎就是 Meta AI 华人研究者的点名册：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 人中大部分是华人，含多名来自中国顶校的实习生。人工在环的数据标注流水线 + 合成预训练与真实场景对齐的多阶段训练框架，让 SAM 3D 在真实世界物体 3D 重建的人类偏好测试中，以至少 5:1 的胜率超越近期工作。

• NitroGen 的 Motivations 简单粗暴：互联网上堆积着数十亿小时的游戏录像，这些数据几乎没有被系统性利用。能不能像 GPT 学语言一样，让模型从游戏视频中学会玩游戏？NVIDIA 联合 Stanford、Caltech 给出了回答：40,000 小时的跨 1000+ 款游戏训练数据，一个统一的视觉—动作基础模型（Vision-Action Foundation Model），以及 52% 的迁移学习提升率。三位共同一作分别来自：NVIDIA 研究院的 Linxi Jim Fan（Caltech/NVIDIA）、斯坦福的 Anas Awadalla，以及来自 Caltech 的博士生 Guanzhi Wang——他同时也是 Voyager 和 MineDojo 的作者，是具身领域少有的、在多项代表性工作上持续贡献的年轻研究者。

02 华人研究者版图：海外科技公司与国内高校并行

以机构为统计口径，Meta AI 以 12+ 位华人作者高居榜首，SAM 3D 几乎是一个华人研究者的聚集工作。NVIDIA 以 8-9 人位列第二，横跨 PixelDiT（生成模型）和 NitroGen（具身智能）两个赛道。Google DeepMind 的 4 位华人作者贡献了今年的 Best Paper。Microsoft Research Asia 则通过 TRELLIS.2，展示了 MSRA 在 3D 生成方向持续深耕的成果。

在国内高校中，清华大学以约 9 名华人作者的参与体量高居首位，涉及 ViT³、TRELLIS.2 和 MIA 三篇工作，是贡献最多的单一中国高校。BUPT（北京邮电大学）以 7 人参与 MIA 一文，体现出其在 AI 安全方向的深厚积累。CUHK-Shenzhen（香港中文大学深圳校区）的 7 位华人作者全部集中在 3DReflecNet 这一工作上。

纯学术路径产出的作品往往有更扎实的理论基础：ViT³（清华）、TRELLIS.2（清华+MSRA）、3DReflecNet（CUHK-SZ）、MIA（BUPT+清华）均属此类。公司内研则更善于整合大规模计算资源和数据，三篇获奖作品（D4RT、SAM 3D、NitroGen）全部出自美国顶级科技公司内研团队。产学联合实习路径已成为重要的第三极：PixelDiT（UR 博士实习 NVIDIA）、TRELLIS.2（清华博士实习 MSRA）、MagicBokeh（SIAT 实习 vivo）均是在实习期间产出的顶会成果。

从三维世界建模到视觉智能体

Best Paper Finalists 现场公布图

每年 CVPR 的 Best Paper Finalists 都像是一张切片。它未必完整覆盖计算机视觉领域最热门的方向，却往往能够揭示研究界正在重新思考哪些基础问题。观察 CVPR 2026 的 15 篇 Best Paper Finalist，可以看到一个明显变化：视觉研究的关注点正在从单一任务的精度提升，转向更加完整的系统问题。这 15 篇论文大致可以归入四条主线：三维视觉与空间智能、生成模型的架构重构与推理加速、高效学习与评测反思，以及多模态 Agent。它们共同回答了一个更大的问题：当视觉模型已经拥有较强的感知与生成能力，下一步究竟应该向哪里演化。

3D 更易摘奖：视觉模型开始真正进入空间

15 篇候选论文中，有 5 篇直接围绕 3D 展开。无论从论文数量还是获奖结果来看，三维视觉都是今年最清晰的一条主线。这并不只是一次热点轮动，而是视觉模型能力边界的一次系统性扩展。过去的 3D 视觉更多被视为计算机视觉中的专门分支，研究者围绕深度估计、点云生成、多视角匹配和相机位姿展开工作。如今，3D 表示正在从任务输出变成基础能力。

D4RT Moedel Overview

D4RT 和 VGGT-Ω 所代表的前馈式重建路线，正在压缩传统三维视觉中冗长的处理链路。相机参数、深度、空间对应关系和动态轨迹，不再依赖多个模块逐步优化，而是可以在统一模型中直接预测。D4RT 进一步将问题推进到动态场景：模型不仅要恢复几何结构，还要理解物体如何随时间运动。静态重建回答的是物体在哪里，动态重建回答的是世界正在如何变化。对于机器人、自动驾驶、增强现实和世界模型而言，后一个问题显然更加接近真实需求。

TRELLIS.2项目介绍视频

SAM 3D 和 TRELLIS.2 则分别代表了三维视觉向通用化和生成式建模扩展的两种路径。SAM 3D 关注自然图像中的真实物体，需要处理遮挡、背景干扰、不可见表面和复杂布局。模型不仅要恢复可见几何，还要依赖大规模数据中学习到的先验补全缺失结构。TRELLIS.2 则将问题推进到更底层的表示空间：如果三维对象无法被稳定压缩、编辑和导出，再强的生成模型也难以真正落地。网格、体素、点云、隐式场和高斯基元各有优势，结构化潜空间的设计因此成为三维生成能否继续扩展的关键。

3DReflecNet 则把视线重新拉回真实世界。透明、反射和低纹理物体长期以来都是三维重建的薄弱环节。玻璃、镜面和金属表面会破坏光度一致性，纯色表面又缺少稳定特征。这些问题很难通过单纯扩大模型规模解决，必须依赖更具针对性的数据和评测体系。把这些论文放在一起，可以看到一条逐渐成形的技术栈：上游是复杂场景和真实数据，中间是结构化表示与规模扩展，下游是动态重建和可交互应用。三维视觉的终点已经不再是生成一张更加精细的点云，而是建立能够被智能体理解、预测和操作的空间表征。

Diffusion 无处不在：生成模型正在变成视觉基础设施

Diffusion 仍然是 CVPR 2026 最重要的技术关键词之一。但它的影响力已经溢出传统图像生成，开始进入三维资产建模、单步图像编辑、移动端散景渲染和推理链路优化。Diffusion 正在从一种特定模型，逐渐变成视觉系统中的通用计算框架。

PixelDiT生成图像示例

PixelDiT 重新打开了像素空间生成这条路线。当前主流生成模型通常依赖 VAE，先将图像压缩到潜空间，再完成去噪和解码。这样做可以降低计算成本，但也会引入细节损失和误差积累。PixelDiT 直接在像素空间建模，试图摆脱传统两阶段链路对图像质量的约束。SeaCache 则关注扩散模型的另一个核心问题：为什么推理仍然如此缓慢。逐步去噪意味着大量重复计算，不同时间步之间并非所有特征都需要重新生成。通过识别可以安全复用的中间表示，SeaCache 将注意力从重新训练模型转向更精细地优化现有推理链路。

ChordEdit编辑图像示例

ChordEdit 和 MagicBokeh 则展示了 Diffusion 在具体视觉任务中的外溢能力。ChordEdit 将图像编辑重新组织为低能量传输问题，希望在单步推理中同时保留原始结构和编辑效果。MagicBokeh面向移动计算摄影，将超分辨率、深度估计和散景渲染整合进统一框架。TRELLIS.2 进一步将这种影响延伸到三维生成，使扩散模型能够在更加紧凑的结构化潜空间中生成可用的三维资产。

这一组论文说明，生成模型研究已经进入更加成熟的阶段。下一步竞争的重点不再只是生成质量，而是整个系统是否足够直接、稳定、高效，并且能够嵌入真实应用。Diffusion 已经不再是一个独立赛道，而正在成为视觉基础设施。

高效学习：真正需要减少的是无效计算

除了 3D 和 Diffusion，今年还有一组候选论文值得单独讨论。它们没有共同使用某一种模型，却在回答同一个问题：视觉系统中究竟有多少计算是可以被省略的。

传统模型压缩通常围绕剪枝、量化、蒸馏和低秩分解展开。完整模型先被训练出来，再通过工程手段逐步缩小。NuWa、ViT³、Mapping Networks 和 Rethinking Dataset Distillation 则将问题向前推进了一步：模型从一开始是否就应该针对具体任务设计，推理过程中是否能够动态适应输入，权重空间能否被重新参数化，数据压缩的评测方式是否可靠。

NuWa模型结构图

NuWa的出发点非常现实。很多边缘设备并不需要识别所有类别。工业相机、无人机和车载模块往往只服务于有限任务。既然设备需求本身具有明确边界，就没有必要保留完整模型中的全部知识。ViT³ 重新划分了训练与推理的边界。传统视觉模型完成训练后，参数基本固定，而 Test-Time Training 允许模型根据当前输入进行轻量级适应。对于长序列和复杂上下文而言，这意味着模型不必提前存储所有可能用到的信息，而可以在现场更新内部状态。

Mapping Networks 从参数空间本身入手。它假设大型神经网络的有效参数空间可能位于低维流形附近。与其直接优化海量权重，不如训练一个更加紧凑的潜变量，再通过映射关系生成目标参数。Rethinking Dataset Distillation 则把矛头对准评测体系本身。数据集蒸馏希望使用极少量样本替代完整训练集，但如果软标签已经携带了大量监督信息，那么性能提升究竟来自数据选择，还是来自额外注入的知识，就必须重新拆解。

这组论文重新定义了效率。效率不只是让模型变小，也不只是让推理更快。它还包括移除与任务无关的知识、减少重复计算、压缩权重表达空间，以及检查评测协议中是否存在被忽略的信息泄漏。真正需要被压缩的，不只是参数，而是整个系统中的无效部分。

从感知到行动：视觉模型也需要接受审计

NitroGen 和 Black-box Membership Inference Attacks on the Pre-training Data of Image-generation Models 看起来属于完全不同的领域。一篇讨论通用游戏智能体，另一篇讨论生成模型的训练数据审计。但它们其实指向同一个变化：视觉模型正在从单一工具变成开放环境中的系统。

NitroGen模型结构

NitroGen 的逻辑并不复杂。互联网上已经积累了大量游戏视频，其中包含丰富的视觉信息和动作序列。这些数据过去主要服务于娱乐内容传播，很少被系统性用于训练通用智能体。当模型开始从跨游戏视频中学习视觉到动作的映射，游戏环境就不再只是 benchmark，而是智能体训练场。不同游戏具有不同画面风格、物理规则、动作空间和任务目标。一个能够在多种游戏之间迁移的模型，本质上是在学习更加通用的行为先验。这种路径对具身智能同样具有启发：真实机器人数据昂贵、稀缺，并且伴随设备成本和安全风险。虚拟环境无法替代真实世界，却可以为感知、控制和跨任务迁移提供规模更大的训练基础。

模型能力越强，审计问题就越重要。图像生成模型通常依赖大规模互联网数据训练。对于闭源平台而言，外部用户无法查看训练集，也无法访问内部参数。Black-box Membership Inference Attacks 研究的是一个非常现实的问题：在仅有黑盒调用权限的条件下，能否判断某张图像是否进入过模型预训练数据。这类研究不只是为了发现漏洞，也关系到版权保护、隐私治理和训练数据追踪。

未来的视觉基础模型需要同时接受两类评价。一类评价模型是否足够强，包括生成质量、三维理解、推理效率和动作能力；另一类评价模型是否足够可信，包括数据来源、版权边界、隐私风险和外部可验证性。视觉模型正在走向行动，也正在走向审计。回看今年的三篇获奖工作，D4RT、SAM 3D 和 NitroGen 分别落在动态空间建模、真实世界三维重建和通用视觉动作模型上。它们并不是孤立的例外，而是恰好对应了同一条演进路径。计算机视觉正在从完成单一任务的算法，逐渐演变为能够感知、生成、行动和接受审计的系统。

Best Paper Finalists 研究方向

CVPR 2026 的奖台上，没有一篇工作是靠堆参数或刷榜取胜的。Best Paper D4RT 赢在了对问题本质的重新定义；SAM 3D 赢在了数据规模与训练范式的双重突破；NitroGen 赢在了将具身智能与互联网规模数据结合的正确时机。而贯穿这一切的，是华人研究者在计算机视觉领域无处不在的身影。

本报告基于 15 篇 Best paper list、CVPR 2026 官网、OpenReview、Google Scholar 及全网公开信息整理，部分数据为估算，如有出入欢迎指正。

加入ZF讨论群，请先添加小助手微信

我们相信认知能够跨越阶层，

致力于为年轻人提供高质量的科技和财经内容。

稿件经采用可获邀进入Z Finance内部社群，优秀者将成为签约作者，00后更有机会成为Z Finance的早期共创成员。

我们正在招募新一期的实习生