ECCV最佳论文出炉，李飞飞获时间检验奖

ECCV 公布年度奖项。ECCV 是计算机视觉领域三大顶级会议之一，今年 9 月 8-12 日在瑞典马尔默举办。本届有效投稿 10473 篇，接收 2834 篇，中稿率 27.1%，其中 oral 163 篇，比例 1.6%。国内作者已成为 ECCV 的重要力量。

最佳论文奖授予伦敦帝国学院的《Heat Kernel Textures -- the Geodesic Gaussians That Do Not Splat》，一作为博士后 Simone Foti 和博士生 Caner Korkmaz，作者还包括 Stefanos Zafeiriou 和 Tolga Birdal。获奖理由为表彰其在表面纹理表示方面的简洁新颖贡献：用非欧几里得流形上基于热扩散的测地高斯，取代标准 UV 映射和高斯泼溅。评审认为该方案优雅，潜力远超论文本身。

该研究提出新的 3D 纹理表示方法 HKTex，借鉴 3D Gaussian Splatting 思路，但不把 Gaussian 放在 3D 欧氏空间，而是将类似 Gaussian 的“热核”贴在物体 Mesh 表面。传统 UV Mapping 需将三维表面摊平为二维图，存在变形、接缝、分辨率不一致、空白区域浪费存储等问题，复杂模型还需在接缝处复制顶点。HKTex 完全不用 UV Map，在模型表面放置数千个“彩色斑点”，每个斑点类似 Gaussian 沿曲面测地线扩散。数学上使用各向异性热核，可视为曲面空间里的 Gaussian，表面弯曲时纹理 primitive 会自然跟随，不会悬浮到模型外。该方法虽受 Gaussian Splatting 启发，但不进行 splatting。渲染时光线与 Mesh 相交，在交点动态计算附近 heat kernels 对纹理颜色的贡献，可直接集成进可微分的 physically based rendering / ray tracing 管线。训练中 kernel 的位置、方向、形状、尺度和颜色均可优化，移动严格限制在 Mesh 表面，并像 3DGS 一样在复杂区域自动增加 kernel、简单区域减少。它可用于将已有 UV Texture 压缩为 HKTex，也可从多视角照片通过 inverse rendering 直接反推表面纹理。在 313 个 Objaverse 模型纹理拟合实验中，HKTex 在保持较高图像质量的同时显著降低纹理存储量，论文附录称相比原始 GT UV texture 约降低一个数量级。多视角恢复实验中，HKTex 平均仅占约 78.7 KB，PSNR、LPIPS、SSIM、MS-SSIM 和 MSE 均优于所比较的 neural texture / vertex texture 基线。

最佳论文提名有两篇。其一为 Meta、纽约州立大学石溪分校等机构的《LSRM: High-fidelty Object-centric Rsconstruction via Scaled Context Windows》，作者 Zhengqin Li、Cheng Zhang、Jakob Engel、Zhao Dong。获奖理由为表彰其极高质量和出色工程实现，通过扩展 Transformer 上下文窗口捕捉长距离跨视图依赖，提升以物体为中心的 3D 重建保真度。该工作来自 Meta Reality Labs Research，提出大型稀疏重建模型 LSRM，判断前馈重建在精细纹理和外观上落后于逐场景优化，主要因 token 预算不足。LSRM 将原生稀疏注意力迁移到 3D 重建，做三处改造：由粗到细流水线、3D 感知空间路由、面向分块结构的序列并行策略配合 All-gather-KV 通信。其可处理物体 token 达此前 SOTA 的 20 倍，图像 token 超 2 倍。标准新视角合成基准上，PSNR 提升超 2.4 dB，LPIPS 下降 40% 以上；逆向渲染任务中纹理与几何细节一致改善，LPIPS 追平甚至超过稠密视图优化方法。

其二为纽约州立大学石溪分校的《Poppy: Polarization-Based Plug-and-Play Guidance for Enhancing Surface Normal Estimation》，作者 Irene Kim、Sai Tanmay Reddy Chakkera、Alexandros Graikos、Dimitris Samaras、Akshat Dave。获奖理由为表彰其在基于多个纯 RGB 骨干网络的测试时自适应方面的贡献，仅凭单次偏振输入采集即可消除歧义，尤其在非偏振区域和复杂镜面反射场景中。该论文关注单目表面法线估计的失败场景：RGB-法线估计器遇反光、无纹理和暗部表面表现不佳。作者引入偏振信息作为物理补充，提出无需训练的框架 Poppy，测试阶段用单次拍摄偏振测量值优化任意冻结 RGB 主干网络输出的法线。主干权重全程冻结，Poppy 优化逐像素偏移量并联合学习反射率分解，关键部件是可微渲染层，将修正法线换算为偏振预测值，与实际观测比对，以不一致作为惩罚驱动优化。评测覆盖七个基准和扩散、流、前馈三类主干，合成数据上平均角误差降低 23%–26%，真实数据降低 6%–16%。

此外，ECCV 公布进入决赛圈的 10 篇候选论文，今年度有三篇十年前的论文获得时间检验奖。