学术研究与理论基础

CVPR 2026｜TherA：让可见光照片“懂冷热”，用文字和参考图控制红外生成CVPR 2026｜TherA：让可见光照片“懂冷热”，用文字和参考图控制红外生成1. 一句话总结TherA 利用热感知视觉语言模型指导可见光到热红外（Thermal Infrared，TIR）翻译，让生成结果区分发热状态，并支持天气、昼夜及车辆状态控制，在标准评估和零样本测试中提升翻译质量。

CVPR 2026｜CHAL：面向运动红外小目标检测的因果引导分层异常感知学习CVPR2026｜CHAL：先学背景再找异常，让运动红外小目标更容易被发现1. 一句话总结红外小目标太小、太暗，容易与背景干扰混淆。CHAL先学习背景，再通过外观异常、运动验证和因果引导定位目标，在三个红外数据集上均取得表中最佳的平均精度与F1分数。

学术速递｜2026年8月 arXiv 图像融合论文汇总（08.01–08.31）29 篇最新成果请关注：【多模态信息融合】arXiv 8 月（08.01–08.31）学术速递，共计 29 篇最新成果。

CVPR 2026 | 全新的五模态信息融合数据集，包括RGB、事件、热成像、4D 雷达与 LiDARCVPR 2026｜DSERT-RoLL 五模态信息融合数据集论文信息题目： DSERT-RoLL : Robust Multi-Modal Perception for Diverse Driving Conditions with Stereo Event-RGB-Thermal Cameras, 4D Radar, and Dual-LiDAR｜面向多样化驾驶条件的鲁棒多模态感知——融合双目事件-RGB-热成像相机、4D 雷达与双LiDAR

TPAMI 2026｜红外、SAR、深度与地图能否用一套特征匹配？北理工HIMO给出无需预训练的通用路线TPAMI 2026HIMO跨模态图像不变特征匹配可见光、红外、SAR、深度图、地图………那么它们就来自于两个完全不同的传感器，能不能用一个稳定的特征来匹配呢？

TIP 2026 | SCAC：不用训练也能做视频时刻检索，让事件链与边界校准协同无训练视频检索不做参数更新用事件链的方式来理解查询通过协同校准来找到时间的界限不经过训练就可以进行视频时刻检索：SCAC使事件链、边界校准和协同工作相结合

ICML 2026｜浙大 1D-Fusion：用 Tokenizer 将图像“压”成一维 Token，重构融合表示ICML 2026ICML 2026｜1D-Fusion：从二维网格到一维 Token，重构多模态图像融合的共享表示

TPAMI 2026｜武大 DuS-DiFuse：图像融合从“拼信息”走向“补语义”，兼顾真实退化鲁棒性RESEARCH EXPRESSTPAMI 2026DuS-DiFuse · 异构退化鲁棒图像融合PART 01

TIP 2026｜没有分割标签，也能做任务导向图像融合：SSVIF的自监督语义注入TIP 2026自监督图像融合SSVIF：没有标签也可以学习语义自监督PAPER SHARESSVIF的自监督语义注入

CVPR 2026 | 上交&复旦&清华 3M-TI：让 RGB 成为热成像超分助手，手机也能看清细节！CVPR 2026｜3M-TI：免标定跨模态扩散，让移动热成像更清晰一句话总结针对移动端热传感器分辨率低、RGB 引导方法又依赖繁琐相机标定的问题，论文提出 3M-TI，在潜空间中自动对齐未标定、不同步的 RGB—热成像输入。它在公开测试集上取得最佳 LPIPS 和 MANIQA，并让增强后的热图像更利于目标检测与语义分割。

BeyondFusion：无需显式配准，统一完成「红外超分」与红外-可见光融合1. 用一句话来概括对于移动双传感器中分辨率不同以及跨模态错位共存的问题，本文提出了BeyondFusion****自对齐潜扩散框架，在不需要估计变形场、不需要做几何配准的情况下，实现了可见光引导下的红外超分辨率以及红外-可见光融合。该方法在公开基准、合成错位和真实的手机拍摄场景下都具有较好的鲁棒性，并且提高了下游的人脸检测准确率。

ECCV 2026｜MAVFusion：运动感知稀疏交互驱动的高效红外-可见光视频融合1. 用一句话来概括就是MAVFusion 为了解决运动错位、时间闪烁以及高计算开销等问题而提出的解决方案是：用光流来区分子帧中运动和静止的部分，并且对于运动部分使用稀疏强交互的方式，而对于静止部分则采用轻量弱交互的方法，在保证了融合效果和时序一致性的前提下降低了计算成本。

ACM MM 2026 华北电力｜连续融合空间实现实例级细粒度的可控红外与可见光图像融合ACM MM 2026｜ConFusion：连续融合空间实现实例级细粒度可控融合1. 一句话总结针对可控红外-可见光图像融合（Infrared and Visible Image Fusion，IVIF）中离散条件难以表达细微意图的问题，ConFusion 通过高斯条件空间调制学习连续融合空间，兼顾融合质量、实例级控制与目标检测。

ECCV 2026｜AerialMetric：一个全新的无人机单目深度估计数据集，面向真实世界航拍场景用一句话来概括就是由于地面数据训练出的模型不能很好地适用于无人机从下往上拍摄的情况，因此本文提出了 AerialMetric 数据集和评价标准，并用低秩适配的方法对 MoGe2 进行微调得到 MoGe2-Aerial，在没有真实的相机内部参数的城市场景里，MoGe2-Aerial 可以将由原来的 5.1% 提高到现在的 89.3%。

我是有底线的