新智元報道

編輯：桃子 好困

【新智元導讀】ICCV最佳論文新鮮出爐了！今年，CMU團隊滿載而歸，斬獲最佳論文獎和最佳論文提名。同時，何愷明團隊論文，RBG大神提出的Fast R-CNN，十年后斬獲Helmholtz Prize，實至名歸。

ICCV 2025大獎公布了！

剛剛，ICCV官方組委會公布了今年最佳論文獎、最佳學生論文獎，以及對應的榮譽提名獎。

來自CMU團隊因提出BrickGPT摘下了「最佳論文」桂冠，以色列理工學院團隊FlowEdit拿下了「最佳學生論文」。

值得一提的是，一篇曾由何愷明、張祥雨、任少卿和孫劍發(fā)表于十年前的論文，榮獲Helmholtz Prize。

這篇論文堪稱深度學習領域的里程碑，因提出PReLU等技術(shù)，讓機器在ImageNet上識別錯誤率遠超人類水平。

今年，ICCV共收到了11239篇論文，錄用論文2500+，超往屆規(guī)模。

最引人注意的是，超一半作者，都來自中國（大陸50%+香港2.5%）。

作為計算機視覺三大頂會之一，ICCV每兩年舉辦一次，今年于10月19日-23日，在夏威夷檀香山舉辦。

最佳論文：CMU成最大贏家

今年，最佳論文（也稱Marr Prize）頒給了CMU團隊，因開創(chuàng)文本到3D生成技術(shù)，打造出穩(wěn)定可建的物理結(jié)構(gòu)。

這篇論文首次提出了一個從文本描述直接生成物理穩(wěn)定、可實際建造的「積木結(jié)構(gòu)模型」的全流暢方法——BrickGPT。

為此，團隊構(gòu)建了StableText2Brick數(shù)據(jù)集，包含超47,000個積木結(jié)構(gòu)，涵蓋28,000多個獨立3D物體。

論文地址：https://arxiv.org/pdf/2505.05469

每個都配有詳細文本描述，并保證物理穩(wěn)定性。

然后，他們基于此，訓練了一個自回歸大語言模型，通過下一token預測來推斷下一塊應添加的積木。

為了提升生成設計的穩(wěn)定性，作者又在推理時引入「有效性檢查」和「物理感知回滾」機制，利用物理定律與組裝約束，實時剪枝不可行的token預測。

實驗表明，BrickGPT能夠生成穩(wěn)定、多樣且美觀的積木結(jié)構(gòu)，并與輸入文本提示高度吻合。

此外，他們還開發(fā)了一種基于文本的積木紋理生成方法，以創(chuàng)建帶有顏色和紋理的設計。

結(jié)果證明，所生成的設計既可由人工手動組裝，也能通過機械臂自動搭建。

最佳論文榮譽提名

ICCV最佳論文榮譽提名，也頒給了CMU團隊，因創(chuàng)新性提出一種用于全景深成像的新型鏡頭與算法框架。

這篇論文打破了長久以來，傳統(tǒng)鏡頭「一次只能對一個平面清晰對焦」的基本限制。

具體來說，研究人員設計了一種由Lohmann透鏡和純相位空間光調(diào)制器組成的光學系統(tǒng)。

這使得每個像素，都能獨立地對焦于不同的深度。

論文地址：https://imaging.cs.cmu.edu/svaf/static/pdfs/Spatially_Varying_Autofocus.pdf

他們還將經(jīng)典自動對焦技術(shù)擴展至空間可變場景：

利用對比度和視差線索迭代估算深度圖，從而使相機能夠逐步調(diào)整景深以適應場景的深度。

相較于以往的研究，最新方法直接從光學層面獲取「全清晰」的圖像，實現(xiàn)了兩大關(guān)鍵突破：

• 能夠同時使整個場景清晰對焦

• 能夠保持最高的空間分辨率

最佳學生論文

以色列理工學院團隊拿下了ICCV「最佳學生論文」，貢獻在于——利用文本到圖像流模型，實現(xiàn)免反演的文本圖像編輯。

當前，基于預訓練文生圖（T2I）模型的圖像編輯，往往需要通過反轉(zhuǎn)、干預采樣實現(xiàn)，卻存在巨大缺陷。

因為單純的反轉(zhuǎn)，往往無法完美重建原始圖像，導致編輯效果不理想。

而且，針對一種模型架構(gòu)設計的干預采樣方法，很難直接遷移到另一種架構(gòu)上。

為此，研究人員提出了FlowEdit，一種用于預訓練T2I流模型的文本圖像編輯方法，該方法無需反演、無需優(yōu)化且模型無關(guān)。

論文地址：https://arxiv.org/pdf/2412.08629

FlowEdit的精髓在于，構(gòu)建了一個全新的常微分方程（ODE）。

它直接在「源分布」與「目標分布」之間映射，并實現(xiàn)了比反演方法更低的傳輸成本。

論文中，通過在Stable Diffusion 3和FLUX實驗，證明了FlowEdit的SOTA編輯效果。

最佳學生論文榮譽提名

來自UT-Austin、Adobe、康奈爾大學團隊，獲得了最佳學生論文榮耀提名，因基于未知姿態(tài)圖像的自監(jiān)督光線學習推進3D合成而獲獎。

這篇論文提出了，一種無需3D標注數(shù)據(jù)即可從2D圖像中學習3D場景表示的新方法——RayZer。

具體來說，RayZer將未知姿態(tài)、未經(jīng)校準的圖像作為輸入，恢復相機參數(shù)，重建場景表示，并合成新視角。

論文地址：https://arxiv.org/pdf/2505.00702

在訓練過程中，RayZer僅依賴自身預測的相機姿態(tài)來渲染目標視圖。

因此，無需任何相機真值標注，使其能夠僅通過2D圖像監(jiān)督進行訓練。

RayZer之所以能涌現(xiàn)出3D感知能力，主要歸功于兩大關(guān)鍵因素——

一個自監(jiān)督框架：通過解耦相機與場景的表示，實現(xiàn)了對輸入圖像的3D感知自動編碼。

一個基于Transformer模型：其唯一的3D先驗是能夠同時連接相機、像素和場景的光線結(jié)構(gòu)。

在新視角合成任務上，與那些依賴真實姿態(tài)信息「oracle」方法相比，RayZer取得了更優(yōu)性能。

十年封神之作，何愷明團隊獲獎

Helmholtz Prize

兩年一度的Helmholtz Prize由IEEE模式分析與機器智能（PAMI）技術(shù)委員會在每屆ICCV大會上頒發(fā)，以表彰為計算機視覺領域做出基礎性貢獻的成果。

獎項以19世紀德國醫(yī)生、物理學家Hermann von Helmholtz（赫爾曼·馮·亥姆霍茲）的名字命名，專門表彰十年前發(fā)表于ICCV、并對計算機視覺研究產(chǎn)生了深遠影響的論文。

今年獲獎的論文有兩篇，分別是2015年何愷明、張祥雨、任少卿和孫劍發(fā)表的「Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification」，以及Ross Girshick發(fā)表的「Fast R-CNN」。

論文地址：https://arxiv.org/abs/1502.01852

本研究從兩個方面探討了用于圖像分類的修正線性神經(jīng)網(wǎng)絡。

首先是，提出了一種參數(shù)化的修正線性單元（Parametric Rectified Linear Unit, PReLU），它是對傳統(tǒng)修正單元的泛化。PReLU能夠提升模型擬合效果，且?guī)缀醪粠眍~外計算開銷，過擬合風險也極低。

其次是，推導了一種特別針對修正單元非線性特性的穩(wěn)健初始化方法。從而能夠直接從零開始訓練極深層的修正網(wǎng)絡模型，并對更深或更寬的網(wǎng)絡架構(gòu)進行探索。

基于PReLU網(wǎng)絡（PReLU-nets），團隊在ImageNet 2012分類數(shù)據(jù)集上取得了4.94%的top-5測試錯誤率。相較于ILSVRC 2014的冠軍模型GoogLeNet（6.66%），性能相對提升了26%。

而這，也是在這項視覺識別挑戰(zhàn)中，首次有研究成果超越了人類的表現(xiàn)水平（5.1%）。

論文地址：https://arxiv.org/abs/1504.08083

本文為目標檢測任務提出了一種快速區(qū)域卷積網(wǎng)絡（Fast R-CNN）方法。

Fast R-CNN利用深度卷積網(wǎng)絡對候選區(qū)域進行高效分類，并引入多項革新，在提升訓練和測試速度的同時，也提高了檢測精度。

在訓練VGG16這一深度網(wǎng)絡時，F(xiàn)ast R-CNN的速度是R-CNN的9倍，測試速度則快213倍，并在PASCAL VOC 2012數(shù)據(jù)集上取得了更高的平均精度均值（mAP）。

與SPPnet相比，F(xiàn)ast R-CNN在訓練VGG16時的速度快3倍，測試速度快10倍，且精度更高。

Everingham Prize

Everingham Prize授予的是那些為計算機視覺社區(qū)做出重大貢獻的研究者或研究團隊。

獎項以Mark Everingham命名，旨在紀念并激勵后人追隨其腳步，為推動計算機視覺社區(qū)的整體發(fā)展做出貢獻。

Everingham Prize每年在計算機視覺領域的頂級會議上頒發(fā)一次。偶數(shù)年于歐洲計算機視覺會議（ECCV）頒發(fā)，奇數(shù)年則于國際計算機視覺會議（ICCV）頒發(fā)。

今年獲獎的，分別是SMPL Body Model團隊，以及VQA團隊。

Azriel Rosenfeld終身成就獎

Azriel Rosenfeld終身成就獎表彰的是在整個職業(yè)生涯中為計算機視覺領域做出重大貢獻，并對該領域的發(fā)展產(chǎn)生非凡影響的研究學者。

今年獲獎的Rama Chellappa，是約翰霍普金斯大學電氣與計算機工程及生物醫(yī)學工程專業(yè)的彭博杰出教授，同時兼任數(shù)據(jù)科學與人工智能專項計劃的臨時主任。

他在計算機視覺、模式識別和機器學習領域的建樹，已對生物識別、智能汽車、法醫(yī)學以及面部、物體和地形的二維與三維建模等方向產(chǎn)生了深遠影響。

大會整體

最后，再來看一下今年ICCV大會，整體的情況。

上一屆ICCV 2023曾收到了8620篇論文，審稿人6990名，區(qū)域主席（AC）有311人，程序委員會（PC）有5人。

再來看今年，投稿數(shù)量激增超2600篇，審稿人、AC人數(shù)大幅增加。

可見，這一屆的ICCV規(guī)模，堪比CVPR 2025。

根據(jù)細分領域，今年在「圖像和視頻合成和生成」領域投稿量最多，錄用量也是最高的。其次是「基于多視角與傳感器的3D重建」、「多模態(tài)學習」等領域，成為投稿熱門領域。

同時，大會還公布了「桌拒」的結(jié)果——

• 審稿極其不負責任：28篇

• 作弊抄襲：2篇

• 雙重投稿（同一篇論文同時投給頂會/學術(shù)期刊）：62篇

• 匿名違規(guī)：38篇

• 篇幅過長：37篇

• 模板（間距）使用不當：13篇

• 無參考文獻、虛構(gòu)參考文獻：3+1篇

• 截止日期后更新web：2篇

除了2019年的最高值，今年ICCV注冊參會人數(shù)再創(chuàng)新高。

ICCV組委會成員中，有很多我們熟悉的面孔，包括謝賽寧等人。

參考資料：

https://x.com/ICCVConference/status/1980704802691858682