复旦大学大数据研究院9篇论文获TPAMI、IJCV、ECCV 2026录用

1.3D高斯泼溅应用综述：分割、编辑和生成 （TPAMI 2026）

A Survey on 3D Gaussian Splatting Applications: Segmentation, Editing, and Generation

论文作者：何淑婷，计沛林，杨亦童，王昌硕，纪家沂，王英林，丁恒辉*

论文链接：

https://arxiv.org/pdf/2508.09977

International Journal of Computer Vision (IJCV) 由 Springer 出版，是计算机视觉领域公认的国际顶级期刊之一，也是该领域历史悠久、影响广泛的权威学术期刊。IJCV被中国计算机学会列为人工智能领域 A 类期刊。根据 Google Scholar Metrics 2025，IJCV 在 “Computer Vision & Pattern Recognition” 类别中位列第 10，h5-index 为 109、h5-median 为 211。SpringerLink 显示，IJCV 最新影响因子为 10.3，五年影响因子为 20.0，2025 年下载量达 140 万次，彰显了该刊在计算机视觉领域的持续学术影响力。

1.多模态指向性目标分割综述（IJCV 2026）

Multimodal Referring Segmentation: A Survey

多模态指向性目标分割旨在基于自然语言文本或音频的指代表达式，分割图像、视频和3D场景等视觉场景中的目标对象。这项任务在需要根据用户指令进行精确目标感知的实际应用中至关重要。过去十年，随着卷积神经网络、Transformer模型和大型语言模型等技术的进步，多模态指向性目标分割在多模态领域获得了广泛关注，这些技术的进步显著提升了多模态感知能力。本文对多模态指向性目标分割进行了全面的综述。首先，本文介绍了该领域的背景，包括各类任务定义和常用数据集。其次，本文总结了一种统一的指向性目标分割元架构，并回顾了图像、视频和3D场景这三种主要视觉场景下的代表性方法。此外，本文还讨论了广义指向性表达式方法，以应对现实世界的复杂性挑战，以及相关的任务和实际应用。最后，本文提供了在标准基准数据集上的大量性能比较。

论文作者：丁恒辉，唐松，何淑婷，刘畅，吴祖煊，姜育刚

论文链接：

https://arxiv.org/pdf/2508.00265 

项目主页：

https://github.com/henghuiding/Awesome-Multimodal-Referring-Segmentation

2.GREx：广义指向性目标分割、理解和生成（IJCV 2026）

GREx: Generalized Referring Expression Segmentation, Comprehension, and Generation

针对传统指向性目标分割、理解与生成任务的局限性，本文进一步提出了广义指向性目标分割、理解与生成新任务和新范式（GREx），突破了传统任务“一句话仅对应一个目标”的限制，使模型能够处理单目标、多目标和无目标等更贴近真实场景的复杂表达。为此，本文构建了首个大规模 GREx 数据集 gRefCOCO，并提出基线方法 ReLA，通过显式建模区域之间及区域与语言之间的关系，有效提升复杂关系理解能力。

论文作者：丁恒辉，刘畅，何淑婷，蒋旭东，姜育刚

论文链接：

https://rdcu.be/eZ34O 

项目主页：

https://henghuiding.com/GREx/

欧洲计算机视觉会议（European Conference on Computer Vision，ECCV）是计算机视觉与人工智能领域的国际顶级会议，与CVPR、ICCV并称为“计算机视觉领域的三大顶会”。该会议每两年举办一次，由欧洲计算机视觉协会（ECVA）主办。在Google Scholar Metrics 2025中，ECCV以h5-index 262、h5-median 417位列“Computer Vision & Pattern Recognition”类别第2位，并在谷歌学术全球出版物影响力榜单中位列第22。ECCV 2026将于2026年9月8日至9月12日在瑞典马尔默的马尔默体育馆与马尔默会展中心举行。本次会议共有10,473篇论文进入评审流程，最终接收2,883篇论文，录用率约为27.5%。复旦大学大数据研究院共有6篇论文入选，成果覆盖具身智能、多模态视觉理解、三维视觉与空间智能等多个重要研究方向。

1.前瞻表达视频目标分割：面向未来事件的预测性视频理解

FeVOS: Foresight Expression Video Object Segmentation

现有视频目标分割任务多聚焦于已发生或正在发生的事件，难以评估模型对未来事件的预测性理解能力。为此，本文提出前瞻表达视频目标分割任务 FeVOS，要求模型根据已观察视频和面向未来的语言表达，分割当前帧中即将参与后续事件的目标。本文构建了 FeVOS 数据集，并提出 FeVOS-R1 模型，通过显式推理与像素级分割对齐，提升模型在复杂视频场景中的前瞻理解与目标定位能力。

论文作者：兰柯涵，应凯宁，丁恒辉*

论文链接：

https://arxiv.org/abs/2606.25585

项目主页：

https://henghuiding.com/FeVOS/

论文源码：

https://github.com/FudanCVL/FeVOS

2.图像与视频一体化通用抠图

SAM2Matting: Generalized image and video matting

本文提出 SAM2Matting，一个面向图像与视频抠图的通用框架。现有视频抠图方法往往依赖昂贵且领域受限的视频 alpha 标注，并容易在高层时序追踪与低层细节估计之间相互牵制，导致泛化能力和追踪鲁棒性不足。SAM2Matting 将任务解耦为由冻结的视觉追踪器（如SAM2, SAM3）负责稳定目标追踪、由专门抠图模块负责细粒度alpha预测，并设计 ROI Detector 定位半透明与复杂边界区域，再通过 Progressive Alpha Predictor 逐级细化抠图结果。本文仅使用图像抠图数据训练，在视频抠图上实现 zero-shot SOTA，并在人物与开放场景中展现出强大的细节恢复、时序稳定性和实时推理能力。

论文作者：沈瑞淇，揭光泉，刘畅，丁恒辉*

论文链接：

https://arxiv.org/abs/2606.27339

项目主页：

https://henghuiding.com/SAM2Matting/

论文源码：

https://github.com/FudanCVL/SAM2Matting

3.全景环境主动感知

Seek to Segment: Active Perception for Panoramic Referring Segmentation

本文面向具身智能中固定视角图像分割难以适应真实 360° 环境的问题，提出 Active Panoramic Referring Segmentation（APRS）任务，要求智能体根据自然语言指令主动调整观察方向，在全景环境中搜索目标并完成像素级分割。为支持该任务，本文构建 APRS 基准，覆盖多类空间指代表达与全景探索场景。进一步地，本文提出记忆增强智能体 PanoSeeker，通过显式空间视觉记忆 EgoSphere 将连续局部观测整合为统一的 360° 表示，从而规划高效、少冗余的搜索轨迹。

论文作者：唐松，胡书铭，帅欣成，丁恒辉*，姜育刚

4.实时交互式多目标视频分割框架

SAM-MT: Real-Time Interactive Multi-Target Video Segmentation

本文提出 SAM-MT，一个面向实时交互式多目标视频分割的高效框架。现有视频目标分割(VOS)方法多以单目标传播为核心，处理多目标时通常需要按目标重复解码与记忆更新，导致计算量、显存和延迟随目标数量快速增长，难以适应拥挤场景中的实时需求。SAM-MT 基于 SAM2，引入显式目标查询表示不同实例，并通过共享全局上下文建模整体场景；同时设计decoupled masked attention 抑制跨目标干扰，结合基于查询的稀疏记忆与 identity transformer 维护长时序身份一致性。系统实验表明，SAM-MT 在多个 VOS 基准上保持接近 SAM2 的分割性能，并将多目标推理延迟与目标数量基本解耦，在 10 个目标场景下可实现 36 FPS 以上的稳定实时速度，是SAM2速度的6倍。

论文作者：沈瑞淇，刘畅，丁恒辉*

5.智能座舱跨视角空间推理测评和方法

CabinSI: Omni-Cabin Spatial Reasoning through Explicit Visual Cognitive Maps

本文面向智能座舱由被动语音交互向多模态协同感知系统演进的趋势，提出 CabinSI，一个用于评估跨座舱环境空间智能的基准。该基准基于真实采集的多视角座舱数据，包含关系推理任务 RelCabin 和空间指代表达定位任务 RefCabin，系统覆盖舱内、舱外及跨座舱场景，并支持单视角、多视角和跨舱视角等设置。进一步地，本文提出基于认知地图的框架，将多视角观测投影至归一化俯视平面，并构建显式空间图作为模型输入，从而帮助多模态大语言模型聚焦结构化空间推理。

论文作者：瞿梦雪，胡恒睿，马明明，雷鸣，高杰，丁恒辉，赵耀，吴杰，魏云超

6.视频推理分割的高效时空压缩

STAC: Selective Spatiotemporal Aggregation and Compression for Video Reasoning Segmentation

本文面向长视频推理分割中高精度目标跟踪与复杂语言理解带来的高计算开销问题，提出 Selective SpatioTemporal Aggregation and Compression（STAC）框架。现有方法虽通过 token 压缩降低长视频处理成本，但往往缺乏充分的时序上下文，难以可靠判断内容冗余。为此，本文利用状态空间模型的线性递归特性，在较低计算成本下建模时序上下文，并通过解耦的双向空间扫描与因果时间扫描增强视频特征表示。进一步地，STAC 基于递归得到的冗余信息进行层次化压缩，并结合分割目标联合优化自适应阈值。

论文作者：

Syed Ariff Syed Hesham，Yun Liu，Guolei Sun，Jing Yang，Henghui Ding，Xue Geng，Xudong Jiang