ACM MM

Open-Vocabulary Gaze Object Prediction: Benchmark and Method

开放词汇注视对象预测：基准与方法

Binglu Wang, Sensen Niu, Ying Chen, Guangyu Guo

机构 * Xi’an University of Architecture and Technology（西安建筑科技大学） ； DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； Zhejiang University（浙江大学） 纠错

AI总结 研究注视对象预测问题，提出基于文本驱动对象发现和注视引导选择模块的框架，并引入梯度信息选择调整，构建含86个自然类别的基准，所提模型在开放和封闭词汇设置中均表现出色。

Comments Accepted at ACM Multimedia 2026

Continual Video-MLLM Adaptation over Evolving Domains

在不断演变的领域上进行连续视频 - MLLM 适应

Rui Cheng, Meixing Shi, Yuxiang Cai, Jingcai Guo, Jianwei Yin, Zhi Chen

机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） ； Hong Kong Polytechnic University（香港理工大学） ； The University of Southern Queensland（南昆士兰大学） 纠错

AI总结 研究视频多模态大语言模型对不断演变领域的适应问题，提出分布感知专家路由框架 DAER，通过保持领域隔离的轻量级专家、引入多种路由和优化机制，在域增量基准上评估，结果优于现有方法。

Comments Accepted to ACM MM 2026

AdvNav: Behavior-Guided Black-Box Adversarial Attacks on Vision-Language Navigation

AdvNav：视觉语言导航中基于行为引导的黑盒对抗攻击

Chenyang Li, Kaige Li, Zeyu Jiang, Changhao Chen

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 研究视觉语言导航系统对抗攻击，提出AdvNav框架，利用双粒度行为反馈构建替代目标，采用混合优化策略。在R2R数据集上评估，对两种模型取得较高攻击成功率，证明其有效性与通用性，揭示感知漏洞并为VLN模型设计提供见解。

Comments ACM International Conference on Multimedia 2026