43-я конференция IEEE/CVF по компьютерному зрению и распознаванию образов (CVPR) открыла свою основную программу в Денвере в пятницу, 5 июня, собрав более 10 000 ученых и инженеров в Колорадском конференц-центре. Это стало крупнейшим выпуском самой цитируемой в мире конференции по информатике. CVPR 2026 получила 16 092 заявки на статьи — рост на 24% по сравнению с 2025 годом и самый высокий показатель за всю историю конференции — и приняла 4 089 для представления, что на 42% больше по объему принятых работ по сравнению с 2 878 годом ранее. Цифры свидетельствуют не просто о росте: тематическое распределение этих статей отмечает измеримый поворот в том, куда движутся исследования в области ИИ и как будут выглядеть производственные системы в 2027 году и далее.
CVPR 2026 бьет рекорды по числу поданных и принятых работ
CVPR 2026 — это 43-й выпуск конференции, совместно спонсируемой Компьютерным обществом IEEE и Фондом компьютерного зрения. Александр Г. Швинг, доцент кафедры электротехники и компьютерной инженерии Иллинойсского университета в Урбана-Шампейн и сопредседатель Программного комитета CVPR 2026, отметил, что процент принятия работ остается стабильным, несмотря на драматическое расширение конференции. По его словам, число заявок на CVPR более чем удвоилось за последние пять лет, но процент принятия держался в пределах 20–25%, что соответствует показателю 25,4% в этом году.
Эта избирательность имеет значение, поскольку материалы CVPR обладают необычайно высоким весом цитирования. В рейтинге Google Scholar Metrics за 2025 год материалы прошлых конференций CVPR заняли второе место среди всех научных изданий, опередив журналы, а не только другие конференции. Research.com независимо ранжирует CVPR как ведущую конференцию в области информатики, обработки изображений и компьютерного зрения, а также машинного обучения и искусственного интеллекта — положение, которое конференция удерживает несколько лет подряд.
Практическое следствие: архитектурные решения, обсуждаемые на этой неделе в Денвере — какой использовать бэкбоун, как представлять 3D-сцены, как структурировать конвейер обучения “зрение-язык” — в течение нескольких месяцев найдут отражение в производственных системах.
Как исследования в области мультимодального ИИ растут быстрее любой другой области?
Самый резкий сигнал в данных CVPR 2026 — это траектория исследований в области зрения, языка и мультимодальных больших языковых моделей (LLM). Среди отобранных докладов конференции — выборка, представляющая примерно 12% всех принятых работ — доля работ по зрению, языку и мультимодальным LLM выросла с 4,9% до 10,6% по сравнению с предыдущим годом, согласно независимому анализу ключевых слов среди принятых работ. Этот скачок на 5,7 процентных пункта является самым большим сдвигом в одной категории за всю новейшую историю CVPR. Два года назад трек моделей “зрение-язык” на CVPR был нишевым; сегодня он служит основой, через которую переосмысливаются пространственное понимание, понимание видео, прогнозирование действий и 3D-реконструкция.
Вторая по темпам роста категория — это воплощенный ИИ и робототехника, выросшая с 2,9% до 6,2%. Этот рост отражает более широкий структурный сдвиг: исследования в области зрения слились с исследованиями в области действия и управления на уровне статей, порождая класс работ, где системы восприятия должны не просто распознавать мир, но и действовать в нем.
Пять категорий с наибольшим количеством поданных работ Программного комитета включали синтез и генерацию изображений и видео; зрение, язык и рассуждения; мультимодальное обучение; 3D из нескольких видов и датчиков; а также медицинское и биологическое зрение и клеточная микроскопия. Рост в области медицинского и биологического зрения является заметным, хотя Чэнь Чан Лой, профессор с президентским креслом в Наньянском технологическом университете и сопредседатель Программного комитета CVPR 2026, охарактеризовал этот трек как все еще находящийся на ранних стадиях. «Хотя акцент на медицинском и биологическом зрении и клеточной микроскопии существенно вырос в этом году, работы находятся на начальных этапах, и мы ожидаем, что эта область, а также другие области прикладных методов компьютерного зрения, будут расти по мере того, как технологии будут решать новые задачи», — сказал Лой.
NitroGen и GR00T: как игровой агент учится играть в 1000 игр
Среди докладов, претендующих на награды и представленных на этой неделе, выделяется NitroGen благодаря масштабу и специфике демонстрируемых возможностей. Разработанная исследовательской группой из NVIDIA, Стэнфордского университета, Калтеха, Чикагского университета и Техасского университета в Остине, NitroGen представляет собой модель фундаментального уровня “зрение-действие” для универсальных игровых агентов, обученную на 40 000 часов игрового процесса в более чем 1000 играх — и она переносится на игры, которые она никогда раньше не видела, достигая относительного улучшения показателей успеха в выполнении задач до 52% по сравнению с моделями, обученными с нуля.
Механизм, лежащий в основе этой обобщающей способности, заслуживает изучения. Команда NitroGen создала набор данных “видео-действие” в масштабе интернета путем извлечения входных управляющих сигналов игрока из общедоступных записей игрового процесса на YouTube и Twitch, на которых отображаются наложенные элементы управления на экране, — ранее упускаемый источник парных визуально-действенных данных. Этот подход использует крупномасштабное клонирование поведения для обучения единой политики “зрение-действие” в различных жанрах игр, которые радикально отличаются по физическим движкам, визуальному стилю и требованиям к управлению: 3D-ролевые игры с элементами действия, 2D-платформеры, требующие точности, и процедурно генерируемые среды для исследования. Архитектура модели основана на робототехнической фундаментальной модели GR00T N1.5 от NVIDIA, которая была разработана для кроссплатформенной адаптивности роботов и использует визуальный бэкбоун SigLip2. В условиях малого объема данных — когда агент видел всего несколько примеров новой среды — начало работы с предварительно обученными весами NitroGen дает преимущество в 52% по сравнению с моделями, начинающими со случайной инициализации. Исследовательская группа сделала общедоступными набор данных, универсальный оценочный набор API Gymnasium, который может оборачивать любую игру для тестирования, и предварительно обученные веса модели.
MagicBokeh: диффузионные модели решают физическую проблему в камерах смартфонов
Камеры смартфонов сталкиваются с ограничением оптической физики, которое программное обеспечение не может просто игнорировать: их диафрагмы малы, что физически затрудняет создание эффекта размытия фона вне фокуса — называемого боке, — который характерен для профессиональной портретной фотографии. Предыдущие подходы, основанные на обучении, рассматривали симуляцию боке и суперразрешение изображений как две отдельные последовательные задачи, но этот конвейер приводит к накоплению ошибок и замедляет обработку.
MagicBokeh, разработанная исследователями из Шэньчжэньских институтов передовой техники, лаборатории vivo BlueImage Lab и Шэньчжэньского университета передовой техники, предлагает унифицированный фреймворк на основе диффузии, который решает обе проблемы одновременно. Технический механизм представляет собой модуль внимания с маскированием, чувствительный к фокусу, который направляет диффузионную модель для различения областей в фокусе и областей вне фокуса во время вывода, в то время как альтернативная стратегия обучения совместно оптимизирует рендеринг боке и суперразрешение за один проход. Обрабатывая обе задачи вместе, а не последовательно, модель избегает накопления ошибок двухступенчатого конвейера и достигает более четких результатов на низкокачественных входных данных, которые дает цифровая съемка с высоким зумом. В статье также представлен модуль глубины, чувствительный к деградации, для более точной оценки глубины по низкокачественным входным данным.
R2Seg: ИИ обнаруживает опухоли без обучения на них
Одна из наиболее практически значимых статей в треке медицинского зрения посвящена фундаментальному узкому месту в клиническом ИИ: маркированные данные медицинских изображений для редких или необычных опухолей дороги в сборе, дефицитны и часто просто недоступны. Фундаментальные модели, обученные на распространенных типах опухолей, часто дают ложноположительные срабатывания — фрагментированные, некорректные обнаружения — когда они сталкиваются с типами опухолей вне распределения, на которых они не обучались.
R2Seg, разработанная исследователями из Университета Карнеги — Меллона, Кембриджского университета, Чжэцзянского университета, ETH Zurich и Иллинойсского университета в Урбана-Шампейн, полностью обходит проблему данных, не требуя обновления параметров во время вывода. Фреймворк работает в два последовательных этапа. На этапе Рассуждения (Reason) большая языковая модель выступает в роли планировщика анатомических рассуждений: она определяет опорные точки органов на изображении и генерирует области интереса в нескольких масштабах, которые ограничивают возможное появление опухоли на основе анатомии. На этапе Отклонения (Reject) замороженная фундаментальная модель — BiomedParse — генерирует сегменты-кандидаты опухолей в этих областях, а двухвыборочный статистический тест отфильтровывает кандидатов, сравнивая каждый с нормальной тканью. Удерживаются только те кандидаты, которые статистически отличаются от фоновой ткани. Поскольку модель не добавляет обучаемых весов и не выполняет обновлений параметров, она избегает катастрофического забывания и остается совместимой с аугментацией во время тестирования без обновлений для различных модальностей изображений и клинических центров. На многоцентровых, мультимодальных бенчмарках сегментации опухолей R2Seg улучшила коэффициент Дайса, специфичность и чувствительность по сравнению как с сильными базовыми моделями, так и с исходными фундаментальными моделями, на которых она основана.
Безопасность диффузионных моделей: атаки на конфиденциальность теперь могут работать без проникновения внутрь модели
Самая прямо связанная с безопасностью статья, претендующая на награду, принадлежит паре исследователей из Виргинского университета — Янь Пану и Тяньхао Вану, — которые разработали первый фреймворк атаки вывода членства на основе реконструкции, созданный специально для дообученных диффузионных моделей в условиях строгого доступа типа “черный ящик”.
Атаки вывода членства задают конкретный вопрос: зная обученную модель, может ли злоумышленник определить, использовался ли конкретный образец данных при обучении? Для диффузионных моделей это важно, поскольку дообучающие (fine-tuners) регулярно загружают популярные предварительно обученные контрольные точки — например, модели Stable Diffusion на Hugging Face — и адаптируют их к наборам данных для последующего использования, которые могут включать конфиденциальные личные изображения, медицинские фотографии или защищенные авторским правом произведения искусства. Фреймворк Пана-Вана работает без доступа к внутренним весам, градиентам или журналам обучения модели, полагаясь только на выходные данные модели — что делает его применимым к любому коммерчески развернутому условному генератору. В четырех различных сценариях атаки и трех типах атак фреймворк достигает площади под ROC-кривой 0,95 против дообученного Stable Diffusion — что указывает на точность, близкую к клинической, в определении того, использовалось ли данное изображение при обучении. По мере развертывания генеративных моделей в области медицинской визуализации, юридической и финансовой сферах этот класс атак становится напрямую актуальным для разработчиков, отделов соответствия требованиям и регуляторов.
Что CVPR 2026 говорит специалистам по ИИ о производственных системах 2027 года
Направленный сигнал от 4 089 принятых статей необычайно согласован. Пять лет назад CVPR была в основном конференцией по восприятию — измерению точности на фиксированных бенчмарках, усовершенствованию архитектур для обнаружения и сегментации объектов. Издание 2026 года заметно отличается: генеративные и мультимодальные статьи в совокупности выросли с примерно 14% до 22% от отобранного набора. Доля работ по воплощенному ИИ, которые рассматривают восприятие как входные данные для физического действия, а не как конечную цель, почти удвоилась. Медицинское и биологическое зрение, некогда небольшой специализированный трек, значительно выросло, хотя и остается на ранней стадии.
Для специалистов, создающих производственные системы ИИ, этот сдвиг означает, что архитектуры зрения и конвейеры обучения, которые, вероятно, будут доминировать во внедрениях в 2027 году, будут по своей сути мультимодальными — не чисто визуальными системами распознавания, а системами, которые обосновывают визуальное понимание в языке, рассуждают об анатомии перед сегментацией тканей, учатся действовать в различных средах на основе демонстрационных данных в масштабе интернета. Область не просто становится больше. Она движется в определенном направлении, и CVPR 2026 сделала это направление очевидным.
Часто задаваемые вопросы
Сколько работ было принято на CVPR 2026?
Конференция приняла 4 089 работ из 16 092 поданных, что составляет примерно 25% процент принятия. Это представляет собой 42% увеличение объема принятых работ по сравнению с CVPR 2025, на которой было принято 2 878 работ.
Каковы основные темы исследований ИИ на CVPR 2026?
Наибольший объем заявок пришелся на синтез и генерацию изображений и видео; зрение, язык и рассуждения; мультимодальное обучение; 3D из нескольких видов и датчиков; а также медицинское и биологическое зрение. Среди отобранных докладов исследования в области зрения, языка и мультимодальных больших языковых моделей показали наибольший рост по сравнению с предыдущим годом, почти удвоив свою долю в программе с 4,9% до 10,6%.
Когда и где проходит CVPR 2026?
CVPR 2026 проходит с 3 по 7 июня 2026 года в Колорадском конференц-центре в Денвере, штат Колорадо. Семинары и учебные курсы прошли 3–4 июня; основная программа конференции проходит 5–7 июня, а выставочный зал открыт 5–6 июня с 10:00 до 18:00 по центральному горному времени (MDT) и 7 июня с 10:00 до 15:00 по MDT.
Что такое NitroGen и что он демонстрирует?
NitroGen — это открытая фундаментальная модель “зрение-действие”, разработанная NVIDIA, Стэнфордом, Калтехом, Чикагским университетом и Техасским университетом в Остине, обученная на 40 000 часов игрового процесса в более чем 1000 играх. Она демонстрирует, что архитектура фундаментальной модели в стиле робототехники — построенная на платформе GR00T от NVIDIA с использованием визуального бэкбоуна SigLip2 и клонирования поведения — может обобщаться на радикально отличающиеся виртуальные среды, достигая улучшения показателей успеха в выполнении задач до 52% при переносе на игры, на которых она не обучалась.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Chase Fiorini
