剛剛，備受矚目的ICCV 2025，在美國夏威夷正式“開獎(jiǎng)”！

好家伙，在提交論文的作者里，中國直接占了半壁江山，不多不少占比50%。

各個(gè)獎(jiǎng)項(xiàng)也是重中之重捷報(bào)頻傳，現(xiàn)場(chǎng)更是人山人?！迷谇胺絽?huì)的“詹姆斯邦迪”(小紅書博主，歡迎大家去follow)，第一時(shí)間分享了最新進(jìn)展。

讓我們一起膜拜看看頂會(huì)榮耀，今年花落誰家？

最佳論文獎(jiǎng)（馬爾獎(jiǎng)）：

Generating Physically Stable and Buildable Brick Structures from Text（從文本生成物理穩(wěn)定且可搭建的積木結(jié)構(gòu)）。

圖源小紅書博主：@詹姆斯邦迪

最佳學(xué)生論文獎(jiǎng)：

FlowEdit: Inversion-Free Text-Based Editing Using Pre-Trained Flow Models（基于預(yù)訓(xùn)練流模型的無反演文本編輯方法） 。

圖源小紅書博主：@詹姆斯邦迪

最佳論文榮譽(yù)提名：

Spatially-Varying Autofocus（空間可變自動(dòng)對(duì)焦）。

圖源小紅書博主：@詹姆斯邦迪

最佳學(xué)生論文榮譽(yù)提名：

RayZer: A Self-supervised Large View Synthesis Model（基于自監(jiān)督學(xué)習(xí)的大規(guī)模視圖合成模型）。

圖源小紅書博主：@詹姆斯邦迪

赫爾姆霍茲獎(jiǎng)：

Fast R-CNN（快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）和Delving Deep into Rectifiers：Surpassing Human-Level Performance on ImageNet Classification（深入研究修正激活函數(shù)：在ImageNet分類中超越人類水平）。

圖源小紅書博主：@詹姆斯邦迪

埃弗林厄姆獎(jiǎng)：

The SMPL Body Model Team和The VQA Team。

圖源小紅書博主：@詹姆斯邦迪

杰出研究員獎(jiǎng)：

David Forsyth和Michal Irani。

圖源小紅書博主：@詹姆斯邦迪

阿茲列爾·羅森菲爾德終身成就獎(jiǎng)：

Rama Chellappa。

圖源小紅書博主：@詹姆斯邦迪

對(duì)于上述論文成果和獎(jiǎng)項(xiàng)，是不是一下子有點(diǎn)懵？

別慌別慌，咱們一起來詳細(xì)學(xué)習(xí)一下。

獲獎(jiǎng)的都是啥研究？ 最佳論文獎(jiǎng)

首先介紹的是最佳論文獎(jiǎng)，這含金量就不用多說了吧。

ICCV最佳論文又名馬爾獎(jiǎng)（Marr Prize），每?jī)赡暝u(píng)選一次，被譽(yù)為計(jì)算機(jī)視覺領(lǐng)域的最高榮譽(yù)之一。 這一獎(jiǎng)項(xiàng)因計(jì)算機(jī)視覺之父、計(jì)算機(jī)視覺先驅(qū)、計(jì)算神經(jīng)科學(xué)的創(chuàng)始人David Courtnay Marr（大衛(wèi)·馬爾）而得名。

此研究提出了BRICKGPT——首個(gè)能夠根據(jù)文本提示生成物理穩(wěn)定的積木結(jié)構(gòu)模型的方法。

研究團(tuán)隊(duì)構(gòu)建了一個(gè)大規(guī)模、物理穩(wěn)定的積木結(jié)構(gòu)數(shù)據(jù)集StableText2Brick，包含超過47000個(gè)積木結(jié)構(gòu)，涵蓋28000多個(gè)獨(dú)特三維物體，每個(gè)結(jié)構(gòu)均配有詳細(xì)的文字描述，并訓(xùn)練了一個(gè)自回歸大型語言模型，通過逐步預(yù)測(cè)“下一個(gè)積木”來生成完整結(jié)構(gòu)。

為了提升生成結(jié)構(gòu)的穩(wěn)定性，他們?cè)谕评磉^程中引入了有效性檢測(cè)和物理感知回滾機(jī)制，利用物理規(guī)律和裝配約束剔除不可行的預(yù)測(cè)。

實(shí)驗(yàn)表明，BRICKGPT能夠生成穩(wěn)定、多樣且美觀的積木結(jié)構(gòu)，并與輸入文本高度契合。進(jìn)一步地，他們還開發(fā)了基于文本的積木紋理生成方法，可生成帶顏色和紋理的設(shè)計(jì)，且這些結(jié)構(gòu)既可以由人手動(dòng)組裝，也可以由機(jī)械臂自動(dòng)搭建。

值得一提的是，這論文里也有不少華人身影，而帶隊(duì)的正是AI才俊朱俊彥。

朱俊彥，2008年進(jìn)入清華大學(xué)計(jì)算機(jī)科學(xué)系，學(xué)習(xí)計(jì)算機(jī)科學(xué)專業(yè)。在同專業(yè)140人中，朱俊彥排名第2。2012年清華本科畢業(yè)后，朱俊彥奔赴美國，在CMU和UC伯克利經(jīng)過5年學(xué)習(xí)，獲得了UC伯克利電氣工程與計(jì)算機(jī)科學(xué)系的博士學(xué)位，師從Alexei Efros。

其博士畢業(yè)畢業(yè)論文Learning to Generate Images，獲得了計(jì)算機(jī)圖形學(xué)頂會(huì)ACM SIGGRAPH 2018“杰出博士論文獎(jiǎng)”。

博士畢業(yè)后，朱俊彥來到MIT計(jì)算機(jī)與人工智能實(shí)驗(yàn)室（CSAIL），成為一名博士后研究員。2020年秋季，他回到曾經(jīng)的母校CMU（卡內(nèi)基梅隆大學(xué)），擔(dān)任助理教授一職。

其他幾位：Kangle Deng，Roblox的一名研究科學(xué)家，研究重點(diǎn)是3D內(nèi)容創(chuàng)作。本科畢業(yè)于北京大學(xué)，博士畢業(yè)于卡內(nèi)基梅隆大學(xué)。

Ruixuan Liu，本科和碩士均畢業(yè)于卡內(nèi)基梅隆大學(xué)，現(xiàn)為該校計(jì)算機(jī)學(xué)院機(jī)器人研究所的博士生，研究方向包括機(jī)器人學(xué)習(xí)、操作與控制、生成式智能，以及人機(jī)協(xié)作。

Changliu Liu，本科畢業(yè)于清華大學(xué)，博士畢業(yè)于美國加州大學(xué)伯克利分校，現(xiàn)為卡內(nèi)基梅隆大學(xué)機(jī)器人研究所的副教授，

最佳學(xué)生論文獎(jiǎng)

使用預(yù)訓(xùn)練的文本到圖像（Text-to-Image，T2I）擴(kuò)散或流模型編輯真實(shí)圖像時(shí)，通常需要先將圖像反演（inversion）到對(duì)應(yīng)的噪聲空間。

然而，僅靠反演往往難以獲得理想結(jié)果，因此許多方法會(huì)在采樣過程中額外干預(yù)。這類方法雖然能夠提升效果，但無法在不同模型架構(gòu)之間無縫遷移。

為此，研究團(tuán)隊(duì)提出了FlowEdit——一種針對(duì)預(yù)訓(xùn)練T2I流模型的文本驅(qū)動(dòng)圖像編輯方法。它無需反演、無需優(yōu)化，并且對(duì)模型架構(gòu)無依賴。

FlowEdit構(gòu)建了一個(gè)常微分方程（ODE），直接在源分布與目標(biāo)分布之間映射（對(duì)應(yīng)源文本提示和目標(biāo)文本提示），并實(shí)現(xiàn)了比傳統(tǒng)反演方法更低的傳輸成本。

正如團(tuán)隊(duì)在Stable Diffusion 3和FLUX上的實(shí)驗(yàn)所示，該方法取得了最先進(jìn)的效果。

最佳論文榮譽(yù)提名

透鏡可以將一個(gè)平面聚焦到平面?zhèn)鞲衅魃?，因此?chǎng)景中不在該焦平面上的部分會(huì)因失焦而模糊。

來自卡內(nèi)基梅隆大學(xué)的團(tuán)隊(duì)打破常規(guī)，設(shè)計(jì)使用了Lohmann 透鏡與僅相位空間光調(diào)制器（phase-only spatial light modulator） 的光學(xué)組合，使得每個(gè)像素可以聚焦在不同深度上。

他們將經(jīng)典自動(dòng)對(duì)焦技術(shù)拓展至空間變化場(chǎng)景：利用對(duì)比度與視差線索迭代估算深度圖，使相機(jī)能夠根據(jù)場(chǎng)景深度動(dòng)態(tài)調(diào)整景深分布。

通過光學(xué)方式直接獲取全焦圖像，此技術(shù)在以下兩個(gè)關(guān)鍵方面超越了現(xiàn)有成果：一是能夠同時(shí)使整個(gè)場(chǎng)景保持清晰對(duì)焦，二是可維持最高的空間分辨率。

最佳學(xué)生論文榮譽(yù)提名

研究團(tuán)隊(duì)提出了RayZer——一種無需任何3D監(jiān)督（如相機(jī)位姿與場(chǎng)景幾何信息）即可完成訓(xùn)練的自監(jiān)督多視圖3D視覺模型。

具體而言，RayZer以未標(biāo)定且未校準(zhǔn)的圖像作為輸入，自主恢復(fù)相機(jī)參數(shù)、重建場(chǎng)景表征并生成新視角畫面。

在訓(xùn)練過程中，RayZer僅依賴其自預(yù)測(cè)的相機(jī)位姿來渲染目標(biāo)視角，完全無需真實(shí)相機(jī)標(biāo)注數(shù)據(jù)，實(shí)現(xiàn)了僅通過2D圖像監(jiān)督即可完成訓(xùn)練。

RayZer所表現(xiàn)出的三維感知能力主要?dú)w功于兩個(gè)關(guān)鍵因素：

• 自監(jiān)督框架設(shè)計(jì)：通過將相機(jī)表示和場(chǎng)景表示解耦，實(shí)現(xiàn)輸入圖像的三維感知自編碼；

• 基于Transformer的模型設(shè)計(jì)：僅以射線結(jié)構(gòu)作為唯一3D先驗(yàn)，同步關(guān)聯(lián)相機(jī)、像素與場(chǎng)景信息。

實(shí)驗(yàn)表明，RayZer在新視角合成任務(wù)中展現(xiàn)出與”真值標(biāo)注”方法相當(dāng)甚至更優(yōu)的性能。

赫爾姆霍茲獎(jiǎng)

獲赫爾姆霍茲獎(jiǎng)的一共有兩項(xiàng)研究，且都來自微軟研究院。

其一為Fast R-CNN——一種基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法。

Fast R-CNN在之前工作的基礎(chǔ)上，利用深度卷積網(wǎng)絡(luò)對(duì)候選目標(biāo)區(qū)域進(jìn)行高效分類。與以往方法相比，F(xiàn)ast R-CNN引入了多項(xiàng)創(chuàng)新，不僅提升了訓(xùn)練和測(cè)試速度，同時(shí)也提高了檢測(cè)精度。

實(shí)驗(yàn)表明，在PASCAL VOC 2012數(shù)據(jù)集上，F(xiàn)ast R-CNN對(duì)VGG16網(wǎng)絡(luò)的訓(xùn)練速度較R-CNN提升9倍，測(cè)試速度提升213倍，并獲得了更高的mAP指標(biāo)；相較于SPPnet，其VGG16訓(xùn)練速度加快3倍，測(cè)試速度提升10倍，且檢測(cè)精度更優(yōu)。

上面提到了，另一個(gè)獲赫爾姆霍茲獎(jiǎng)的也來自微軟研究院。

研究從兩個(gè)方面研究了用于圖像分類的修正激活神經(jīng)網(wǎng)絡(luò)。

首先，他們提出了一種參數(shù)化修正線性單元（Parametric ReLU，PReLU），它是對(duì)傳統(tǒng)修正激活單元的推廣。PReLU在幾乎不增加額外計(jì)算開銷且?guī)缀鯖]有過擬合風(fēng)險(xiǎn)的情況下，提高了模型的擬合能力。

其次，他們提出了一種專門針對(duì)修正激活非線性的魯棒初始化方法，能夠從零開始訓(xùn)練極深的修正激活模型，并探索更深或更寬的網(wǎng)絡(luò)架構(gòu)。

基于PReLU網(wǎng)絡(luò)（PReLU-nets），團(tuán)隊(duì)在ImageNet 2012分類數(shù)據(jù)集上實(shí)現(xiàn)了4.94%的Top-5測(cè)試誤差，相比ILSVRC 2014冠軍GoogLeNet（6.66%）提升了26%。據(jù)研究人員所知，這是首次在該視覺識(shí)別挑戰(zhàn)中超過人類水平（5.1%）的結(jié)果。

獲獎(jiǎng)團(tuán)隊(duì)與大佬 埃弗林厄姆獎(jiǎng)

細(xì)數(shù)完獲獎(jiǎng)的一眾研究，就該看看獲獎(jiǎng)的團(tuán)隊(duì)了。

首先是The SMPL Body Model Team，SMPL是一種基于蒙皮和混合形狀技術(shù)、從數(shù)千例3D人體掃描數(shù)據(jù)中學(xué)習(xí)得到的逼真人體三維模型。該模型在精度上超越現(xiàn)有模型，并與主流圖形渲染管線完全兼容。

值得一提的是，該模型參數(shù)完全從數(shù)據(jù)中學(xué)習(xí)得到，包括：靜態(tài)姿態(tài)模板、混合權(quán)重、姿態(tài)混合形狀、身份混合形狀，以及從頂點(diǎn)到關(guān)節(jié)點(diǎn)位置的回歸器。

與既有模型不同，此模型的姿態(tài)混合形狀是姿態(tài)旋轉(zhuǎn)矩陣元素的線性函數(shù)。這一簡(jiǎn)潔的數(shù)學(xué)表達(dá)使得模型能夠基于大量不同人體、不同姿態(tài)的對(duì)齊3D網(wǎng)格數(shù)據(jù)進(jìn)行端到端訓(xùn)練。

接下來是The VQA Team，VQA為一項(xiàng)自由形式開放式視覺問答任務(wù)。

在該任務(wù)中，給定一張圖像和關(guān)于該圖像的自然語言問題，系統(tǒng)需要提供一個(gè)準(zhǔn)確的自然語言答案。

與現(xiàn)實(shí)場(chǎng)景（例如為視障人士提供幫助）類似，這里的問題和答案都是開放式的。視覺問題會(huì)有選擇性地關(guān)注圖像的不同區(qū)域，包括背景細(xì)節(jié)和潛在上下文信息。

因此，要在VQA任務(wù)中取得成功，系統(tǒng)通常需要比生成通用圖像描述更深入理解圖像內(nèi)容和進(jìn)行復(fù)雜推理的能力。

對(duì)此，研究團(tuán)隊(duì)提供了一個(gè)數(shù)據(jù)集，包含約25萬張圖像、76萬個(gè)問題和約1000萬個(gè)答案，并討論了數(shù)據(jù)集所提供的信息。他們還提供了多種基線方法及VQA方法，并與人類表現(xiàn)進(jìn)行了對(duì)比。

杰出研究員獎(jiǎng)

David Forsyth，一位出生于南非的美國計(jì)算機(jī)科學(xué)家，現(xiàn)任伊利諾伊大學(xué)香檳分校（UIUC）計(jì)算機(jī)科學(xué)Fulton Watson Copp教授，主要研究方向包括計(jì)算機(jī)視覺、計(jì)算機(jī)圖形學(xué)和機(jī)器學(xué)習(xí)。

他在約翰內(nèi)斯堡維特沃特斯蘭德大學(xué)獲得電氣工程學(xué)士和碩士學(xué)位，并于1989年在牛津大學(xué)獲得計(jì)算機(jī)科學(xué)博士學(xué)位，導(dǎo)師為J. Michael Brady。

完成博士后工作后，他曾在愛荷華大學(xué)任教，并于1994至 2004 年在加州大學(xué)伯克利分校擔(dān)任電氣工程與計(jì)算機(jī)科學(xué)系教授，2004年起加入U(xiǎn)IUC，成為該校計(jì)算機(jī)科學(xué)領(lǐng)域的領(lǐng)軍人物。

此外，David長期參與國際學(xué)術(shù)會(huì)議的組織工作，曾三度擔(dān)任IEEE計(jì)算機(jī)視覺與模式識(shí)別會(huì)議程序委員會(huì)聯(lián)合主席（2000/2011/2018），兩度擔(dān)任CVPR大會(huì)聯(lián)合主席（2006/2015），并擔(dān)任2008年歐洲計(jì)算機(jī)視覺會(huì)議程序委員會(huì)聯(lián)合主席。

他是所有主要國際計(jì)算機(jī)視覺會(huì)議程序委員會(huì)的常任委員，曾六度入選SIGGRAPH程序委員會(huì)并持續(xù)擔(dān)任該會(huì)議評(píng)審。

Michal Irani，以色列魏茨曼科學(xué)研究院數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院的教授及現(xiàn)任院長。曾在希伯來大學(xué)獲得數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)士及計(jì)算機(jī)科學(xué)碩士、博士學(xué)位。

Michal的研究領(lǐng)域?yàn)橛?jì)算機(jī)視覺、圖像處理和人工智能。她尤其致力于理解自然圖像和視頻的內(nèi)部統(tǒng)計(jì)信息、視頻的時(shí)空分析以及基于構(gòu)圖的視覺推理。

Michal教授在學(xué)術(shù)界成就卓著，獲得多項(xiàng)榮譽(yù)，包括薩諾夫研究中心技術(shù)成就獎(jiǎng)、Yigal Alon杰出青年科學(xué)家獎(jiǎng)、Morris L. Levinson數(shù)學(xué)獎(jiǎng)、ECCV最佳論文獎(jiǎng)等。

阿茲列爾·羅森菲爾德終身成就獎(jiǎng)

Rama Chellappa，約翰霍普金斯大學(xué)布隆伯格杰出教授，現(xiàn)任電氣與計(jì)算機(jī)工程系和生物醫(yī)學(xué)工程系教授，兼任數(shù)據(jù)科學(xué)與人工智能研究所共同主任。

Rama教授于印度馬德拉斯大學(xué)獲得電子與通信工程學(xué)士學(xué)位（1975），隨后在印度班加羅爾的印度科學(xué)研究院獲得電子與通信工程碩士學(xué)位（1977），并在美國普渡大學(xué)獲得電氣工程碩士（1978）和博士學(xué)位（1981）。

他的研究領(lǐng)域涵蓋計(jì)算機(jī)視覺、模式識(shí)別、圖像與信號(hào)處理、機(jī)器學(xué)習(xí)和生物特征識(shí)別等，致力于利用數(shù)據(jù)、幾何和物理學(xué)幫助計(jì)算機(jī)系統(tǒng)理解視覺世界。

One More Thing

有意思的是，這么大的會(huì)議，竟然有許多人坐在地上吃午飯。

所以網(wǎng)友合理建議：快多放點(diǎn)椅子吧～

論文鏈接：
[1]https://arxiv.org/abs/2505.05469
[2]https://arxiv.org/html/2412.08629v2
[3]https://imaging.cs.cmu.edu/svaf/static/pdfs/Spatially_Varying_Autofocus.pdf
[4]https://arxiv.org/abs/2505.00702
[5]https://arxiv.org/abs/1504.08083
[6]https://arxiv.org/abs/1502.01852

文章來源：量子位。