ECCV 2026最佳论文揭晓：新纹理表示法HKTex无需UV贴图

12 阅读

ECCV 2026奖项公布：投稿破万，国内作者成主力

9月12日，欧洲计算机视觉国际会议（ECCV）在瑞典马尔默结束为期五天的日程。作为计算机视觉领域公认的三大顶会之一，本届ECCV共收到有效投稿10473篇，最终接收2834篇，录用率为27.1%。其中仅有163篇被选为口头报告（oral），占比约1.6%。

图片

值得注意的是，从作者单位分布来看，中国研究机构已成为ECCV投稿和录用的主力。不过真正吸引学界目光的，还是那些获得官方认可的突破性工作。

图片

最佳论文：用热核代替UV贴图

图片

今年的最佳论文奖颁给了伦敦帝国学院的《Heat Kernel Textures -- the Geodesic Gaussians That Do Not Splat》。两位第一作者Simone Foti（博士后）和Caner Korkmaz（博士生）提出了一种全新的3D表面纹理表示方法——Heat Kernel Textures，简称HKTex。

图片

传统3D模型依赖UV映射来存储纹理：先把三维网格展开成二维平面，再在平面上绘制颜色。这套流程沿用数十年，但问题不少。展开过程会产生拉伸变形，接缝处需复制顶点，不同区域分辨率不一致，而且UV图上常有大片空白，浪费存储和显存。

图片

HKTex彻底抛弃了UV图。它的核心想法是：直接在3D网格表面放置数千个“彩色斑点”，每个斑点本质上是一个各向异性热核（anisotropic heat kernel）。你可以把它理解为“贴在曲面上的高斯函数”——它会沿着测地线（曲面上的最短路径）扩散，自然贴合表面形状，不会像普通3D高斯那样飘到模型外面去。

图片

虽然灵感来自3D Gaussian Splatting（3DGS），但HKTex并不进行splatting操作。渲染时，光线先与网格相交，然后在交点处动态计算周围热核对颜色的贡献。这意味着它能无缝集成进基于物理的可微分渲染或光线追踪管线。

图片

这些热核不是固定的。训练过程中，它们的位置、方向、尺度、形状和颜色均可优化，且移动严格限制在网格表面。系统还会像3DGS那样自动增删核：纹理复杂处增加密度，平滑区域则减少，实现自适应压缩。

图片

实验显示，HKTex在Objaverse的313个模型上拟合纹理时，在保持高质量的同时大幅降低存储开销。作者称其纹理体积比原始UV贴图小一个数量级。在从多视角图像反推纹理的任务中，HKTex平均仅占78.7KB，且在PSNR、LPIPS、SSIM等多项指标上优于神经纹理和顶点纹理等基线方法。

图片

评审委员会评价该工作“简洁而新颖”，并指出其潜力远超论文本身。

图片

两篇最佳论文提名：大窗口重建与偏振引导

图片

另有两篇论文获得最佳论文提名，分别来自Meta Reality Labs和纽约州立大学石溪分校。

图片

LSRM：用大上下文窗口提升重建保真度

图片

Meta团队提出的LSRM（Large Sparse Reconstruction Model）试图回答一个问题：如果把Transformer的上下文窗口做大，前馈式3D重建能否达到高保真？

图片

当前以物体为中心的前馈重建方法速度快、鲁棒性强，但在精细纹理还原上仍落后于逐场景优化的稠密方案。Meta认为，差距主要源于token预算不足——只要显著增加参与计算的物体token和图像token数量，前馈方法同样能实现高质量重建。

图片

为让大规模扩展可行，LSRM将稀疏注意力机制引入3D重建，并做了三项关键改进：

图片

  • 采用由粗到细的流水线，通过预测稀疏高分辨率残差，将算力集中在信息丰富区域；
  • 设计3D感知的空间路由机制，用几何距离而非注意力分数建立2D-3D对应；
  • 引入面向分块结构的序列并行策略，配合All-gather-KV通信协议，平衡多卡间的动态稀疏负载。

文章配图

结果，LSRM处理的物体token数量达到此前SOTA的20倍，图像token也超2倍。在新视角合成基准上，PSNR提升超2.4dB，LPIPS下降40%以上；在逆向渲染任务中，纹理与几何细节也明显改善，LPIPS甚至追平或超过稠密优化方法。

图片

Poppy：单次偏振测量引导法线估计

图片

纽约州立大学石溪分校的Poppy则瞄准了单目表面法线估计的顽固难题：反光、无纹理或暗部区域因缺乏视觉线索，导致RGB网络表现不佳。

作者提出引入偏振信息作为物理补充。偏振信号编码表面朝向，与纹理和反照率无关，恰好覆盖RGB方法的盲区。但现有偏振方案要么需多视角采集，要么依赖专用训练数据，泛化受限。

Poppy是一个无需训练的测试时优化框架。它冻结任意现成的RGB主干网络，仅优化逐像素的法线偏移量，并联合学习反射率分解。关键在于一个可微渲染层：将修正后的法线转换为偏振预测值，再与实际观测的偏振信号对比，用差异作为惩罚项驱动优化。

换句话说，物理观测在此充当测试时的监督信号，而非训练数据。这使得Poppy能“即插即用”到任何RGB法线估计器上。

在七个基准和三类主干（扩散模型、流模型、前馈模型）上的测试表明，Poppy在合成数据上将平均角误差降低23%–26%，真实数据下降幅为6%–16%。作者认为，这证明了在测试阶段引入偏振线索可有效提升困难区域的法线质量，且无需重新训练。

时间检验奖：三篇十年前的经典

ECCV还颁发了“时间检验奖”，表彰十年前发表、至今仍有深远影响的工作。今年获奖的三篇论文分别是：

  • SSD: Single Shot MultiBox Detector（2015）：与R-CNN、YOLO并列，将目标检测带入深度学习时代；
  • Perceptual Losses for Real-time Style Transfer and Super-resolution（2016）：提出基于预训练网络特征的感知损失，如今已成标准工具；
  • Learning Without Forgetting（2016）：开创持续学习范式，至今仍是视觉AI的重要挑战。

其他奖项

此外，ECVA博士奖和青年研究员奖也同步公布。前者每年两项，奖励博士阶段的杰出成果，奖金2500欧元；后者每年一项，表彰青年学者，奖金5000欧元。两项均将在下一届ECCV会议上正式颁发。

这些奖项不仅记录了当下的技术前沿，也勾勒出计算机视觉领域过去十年的发展脉络。从目标检测到风格迁移，从持续学习到3D重建，研究者们正不断突破表示、优化与感知的边界。