A WACV 2026 em Tucson mostrou a mudança da visão computacional rumo à multimodalidade e aos dados sintéticos

A conferência WACV 2026 em Tucson confirmou que a visão computacional está se deslocando rapidamente em direção a modelos multimodais, dados sintéticos e computação mais eficiente. Em um relato de um participante da FusionBrain AIRI, essas tendências se combinam com dois trabalhos próprios do laboratório — sobre seleção de quadros-chave para vídeos longos e sobre análise do que codificadores de visão realmente preservam.

Formato e Escala

WACV é tradicionalmente considerada a prima mais aplicada do CVPR: aqui há menos teoria pela teoria e mais sistemas, conjuntos de dados e soluções de engenharia que podem ser transferidas para produtos reais. Segundo a conta do participante, uma taxa de aceitação de 25–30% torna a conferência competitiva mas não sobrecarregada, e o formato com 200–300 pessoas é notavelmente diferente de eventos gigantescos como NeurIPS ou ICCV. Todas as atividades ocorreram em um único local — o JW Marriott Starr Pass Resort no meio do Deserto de Sonora perto de Tucson.

WACV é uma "conferência de tamanho certo."

É precisamente essa intimidade que se tornou um dos principais pontos fortes do evento. Em tal local é mais fácil se aproximar do autor de um pôster, discutir a arquitetura do modelo ou comparar resultados sem filas longas e o barulho de um grande evento. A localização também desempenhou seu papel: um complexo resort no deserto se revelou bonito mas isolado, então quase todos os participantes chegaram de táxi ou Uber. Em troca, eles receberam uma rara combinação de um programa científico denso e uma atmosfera quase de laboratório para conversas.

Principais Tópicos Científicos

Se você combinar apresentações e pôsteres em uma imagem, WACV 2026 mostrou um conjunto bastante claro de prioridades para Visão Computacional. O foco está se deslocando do simples aumento do volume de dados para melhorar a eficiência de amostragem, para gerar exemplos de treinamento através de modelos de difusão e para gestão dinâmica de computação dentro de transformers. Isso não é mais um conjunto de experimentos separados, mas uma direção geral que se repetiu em trabalhos de diferentes subdomínios — de medicina a análise de vídeo.

• Multimodalidade se tornou o modo padrão, não uma característica exótica para laboratórios individuais.
• Dados sintéticos são cada vez mais usados como base para cenários de cold start sem anotações reais.
• A eficiência do modelo está indo além da quantização em direção a token pruning, token merging e tamanhos de patch adaptativos.
• A compreensão de vídeo permanece um desafio aberto apesar do crescimento em modelos e benchmarks.

O deslocamento em direção a pipelines sintéticos e híbridos é particularmente notável. A conferência discutiu casos em que dados artificialmente gerados já superam conjuntos de dados reais em domínios estreitos como medicina, imagens de satélite e controle de qualidade industrial. Ao mesmo tempo, abordagens para acelerar modelos ViT amadureceram: em vez de simples compressão, métodos são cada vez mais aplicados que mudam a densidade de computação dependendo do conteúdo do quadro. No entanto, vídeo permanece uma área desafiadora: há mais dados, mas a "compreensão" completa de máquina de contexto de vídeo longo ainda está longe de ser um problema resolvido.

Trabalhos da AIRI FusionBrain

AIRI FusionBrain levou dois trabalhos para WACV, ambos em formato de pôster. O primeiro, MaxInfo, propõe um método sem treinamento para seleção de quadros-chave em vídeos longos para Video Large Language Models. Em vez de seleção uniforme de cada N-ésimo quadro, o método primeiro obtém embeddings através de um codificador ViT, depois comprime a representação através de SVD e depois aplica o algoritmo rect_maxvol para selecionar os quadros mais diversos e informativos. De acordo com os autores, tal módulo plug-and-play fornece uma melhoria de aproximadamente 3–5% em LongVideoBench para LLaVA-Video e Qwen2-VL sem alterar a arquitetura.

O segundo trabalho, Feature Inversion as a Lens on Vision Encoders, responde uma questão mais fundamental: o que exatamente um codificador de visão armazena. Pesquisadores mostram que imagens originais podem ser reconstruídas a partir de características ViT congeladas, e transformações lineares simples no espaço de características levam a mudanças previsíveis no espaço de pixels, como mudanças de cor controláveis. Este resultado é importante não apenas como uma bela demonstração da geometria do espaço de características, mas também como um guia prático ao escolher codificadores: modelos com objetivos image-centric preservam mais informação visual.

O interesse nesses pôsteres foi notável, segundo o relato: pessoas se aproximaram dos estandes, discutiram detalhes e digitalizaram códigos QR com materiais. Isso bem ilustra o espírito do próprio WACV: aqui o valor é colocado não apenas no nome prestigioso de um laboratório, mas também na oportunidade de examinar calmadamente uma ideia com o autor no local. Para pequenas equipes de pesquisa, tal formato é muitas vezes mais útil do que apresentar em um local muito grande, onde o contato com a audiência se dissolve rapidamente em escala.

O Que Isso Significa

WACV 2026 mostrou que a visão computacional aplicada está entrando em uma fase onde os vencedores não são os modelos mais pesados, mas aqueles que melhor combinam multimodalidade, dados sintéticos e computação adaptativa. Para equipes construindo produtos em CV e video AI, este é um sinal para olhar não apenas para a qualidade dos benchmarks, mas também para como um modelo funciona com contexto longo, falta de anotações e limitações reais de recursos.