WACV 2026 à Tucson a montré le virage de la vision par ordinateur vers la multimodalité et les données synthétiques

La conférence WACV 2026 à Tucson a confirmé que la vision par ordinateur se déplace rapidement vers des modèles multimodaux, des données synthétiques et un calcul plus efficace. Dans un rapport d'un participant de FusionBrain AIRI, ces tendances se combinent avec deux des propres travaux du laboratoire : sur la sélection d'images clés pour les vidéos longues et sur l'analyse de ce que conservent réellement les encodeurs de vision.

Format et Échelle

WACV est traditionnellement considérée comme le cousin plus appliqué du CVPR : il y a ici moins de théorie pour la théorie et plus de systèmes, de jeux de données et de solutions d'ingénierie qui peuvent être transférées à des produits réels. Selon le compte rendu du participant, un taux d'acceptation de 25–30% rend la conférence compétitive mais non accablante, et le format avec 200–300 personnes est sensiblement différent des événements géants comme NeurIPS ou ICCV. Toutes les activités se sont déroulées dans un seul endroit : le JW Marriott Starr Pass Resort au milieu du désert de Sonora près de Tucson.

WACV est une « conférence de la bonne taille ».

C'est précisément cette intimité qui est devenue l'un des principaux points forts de l'événement. Sur un tel lieu, il est plus facile d'aborder un auteur d'affiche, de discuter de l'architecture du modèle ou de comparer les résultats sans longues files d'attente et le bruit d'un grand événement. La localisation a aussi joué son rôle : un complexe de villégiature dans le désert s'est avéré être beau mais isolé, de sorte que presque tous les participants y sont allés en taxi ou en Uber. En retour, ils ont reçu une rare combinaison d'un programme scientifique dense et d'une atmosphère quasi laboratoire pour les conversations.

Principaux Thèmes Scientifiques

Si vous combiniez des présentations et des affiches en une seule image, WACV 2026 a montré un ensemble assez clair de priorités pour la Vision par Ordinateur. L'accent se déplace du simple accroissement du volume de données vers l'amélioration de l'efficacité d'échantillonnage, la génération d'exemples d'entraînement par des modèles de diffusion et la gestion dynamique du calcul dans les transformers. Ce n'est plus un ensemble d'expériences séparées, mais une direction générale qui s'est répétée dans des travaux provenant de différents sous-domaines : de la médecine à l'analyse vidéo.

• La multimodalité est devenue le mode par défaut, pas une caractéristique exotique pour des laboratoires individuels.
• Les données synthétiques sont de plus en plus utilisées comme base pour les scénarios de cold start sans annotations réelles.
• L'efficacité du modèle va au-delà de la quantification vers le token pruning, le token merging et les tailles de patch adaptatifs.
• La compréhension vidéo reste un défi ouvert malgré la croissance des modèles et des benchmarks.

Le virage vers des pipelines synthétiques et hybrides est particulièrement notable. La conférence a discuté de cas où les données générées artificiellement surpassent déjà les ensembles de données réels dans des domaines étroits comme la médecine, l'imagerie satellitaire et le contrôle de qualité industriel. Parallèlement, les approches pour accélérer les modèles ViT se sont mûries : au lieu d'une simple compression, des méthodes sont de plus en plus appliquées qui changent la densité de calcul en fonction du contenu de l'image. Cependant, la vidéo reste un domaine difficile : il y a plus de données, mais la « compréhension » complète par machine du contexte vidéo long est loin d'être un problème résolu.

Travaux d'AIRI FusionBrain

AIRI FusionBrain a apporté deux travaux à WACV, tous deux au format affiche. Le premier, MaxInfo, propose une méthode sans apprentissage pour sélectionner des images clés dans les vidéos longues pour les Video Large Language Models. Au lieu de la sélection uniforme de chaque N-ième image, la méthode obtient d'abord des embeddings via un encodeur ViT, compresse ensuite la représentation via SVD, puis applique l'algorithme rect_maxvol pour sélectionner les images les plus diverses et informatives. Selon les auteurs, un tel module plug-and-play offre une amélioration d'environ 3–5% sur LongVideoBench pour LLaVA-Video et Qwen2-VL sans changer l'architecture.

Le deuxième travail, Feature Inversion as a Lens on Vision Encoders, répond à une question plus fondamentale : qu'est-ce qu'un encodeur de vision stocke exactement ? Les chercheurs montrent que les images originales peuvent être reconstruites à partir des caractéristiques ViT gelées, et des transformations linéaires simples dans l'espace des caractéristiques conduisent à des changements prévisibles dans l'espace des pixels, comme des décalages de couleur contrôlables. Ce résultat est important non seulement comme une belle démonstration de la géométrie de l'espace des caractéristiques, mais aussi comme un guide pratique lors du choix des encodeurs : les modèles avec des objectifs centrés sur l'image conservent plus d'informations visuelles.

L'intérêt pour ces affiches était notable, selon le rapport : les gens s'approchaient des stands, discutaient des détails et scannaient les codes QR avec les matériaux. Cela illustre bien l'esprit du WACV lui-même : ici, la valeur est accordée non seulement au nom prestigieux d'un laboratoire, mais aussi à la possibilité d'examiner tranquillement une idée avec l'auteur sur place. Pour les petites équipes de recherche, un tel format est souvent plus utile que de présenter sur un très grand lieu, où le contact avec le public se dissout rapidement à l'échelle.

Ce Que Cela Signifie

WACV 2026 a montré que la vision par ordinateur appliquée entre dans une phase où les gagnants ne sont pas les modèles les plus lourds, mais ceux qui combinent le mieux la multimodalité, les données synthétiques et le calcul adaptatif. Pour les équipes construisant des produits en CV et en IA vidéo, c'est un signal pour regarder non seulement la qualité des benchmarks, mais aussi comment un modèle fonctionne avec un contexte long, un manque d'annotations et des contraintes réelles de ressources.