Open-Set Visual Text Forensics via Sparse-Constraint Rectified Flow
基于稀疏约束修正流的开放集视觉文本取证
AI总结 针对生成式AI视觉文本篡改的开放集取证问题，提出基于SC-RF的生成式检测器，在三基准上F1、IoU优于亚军，零样本性能强，还可用于漏洞分析。
Comments Accepted to ACM MM 2026
期刊&会议
ACM MM
ACM International Conference on Multimedia · 会议 · Multimedia
GenPrior: Unleashing Text-to-Motion Generative Priors for Zero-Shot Skeleton-based Action Recognition
GenPrior：释放文本到动作生成先验用于零样本骨骼-based动作识别
机构 * School of Cyber Science and Engineering, Southeast University（东南大学网络空间安全学院） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Purple Mountain Laboratories（紫金山实验室）
AI总结 GenPrior是首个利用预训练T2M模型生成先验的ZSAR框架，通过分散门控特征融合和生成原型细化，在NTU-60等数据集上实现零样本及广义零样本动作识别的SOTA性能。
Comments Accepted by ACMMM 2026
Local Margin Restoration for Test-Time Adaptation of Vision-Language Models
用于视觉-语言模型测试时适应的局部间隔恢复
机构 * Guangzhou University（广州大学） ； The Second Affiliated Hospital of Guangzhou University of Chinese Medicine（广州中医药大学第二附属医院） ； Jinan University（暨南大学） ； Pengcheng Laboratory（鹏城实验室）
AI总结 针对视觉-语言模型测试时分布偏移导致的性能下降问题，提出局部间隔恢复框架，通过样本级受保护间隔恢复与流级双阶段稳定机制，在多数据集上实现优于现有基线的性能。
Comments Accepted by ACM MM 2026
VARPose: Flexible 2D Pose Densification via Visual Autoregressive Modeling for Enhanced 3D Lifting
VARPose：基于视觉自回归建模的灵活2D姿态密集化以提升3D姿态提升性能
机构 * School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院） ； The Technology Innovation Center for Collaborative Applications of Natural Resources Data in GBA, MNR（自然资源部粤港澳大湾区自然资源数据协同应用技术创新中心）
AI总结 VARPose基于VAR建模，通过GPT分词器和UniSkelar自回归模型实现2D姿态灵活密集化，在3D姿态估计等下游任务上性能优于现有方法且可泛化到新粒度。
Comments ACM MM 2026
Same Semantics, Different Paths: Self-Improving Alignment for Vision-Text Compression
相同语义，不同路径：面向视觉-文本压缩的自改进对齐
机构 * Southeast University（东南大学） ； Nanjing University（南京大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学）
AI总结 该研究针对视觉-文本压缩中渲染图像与原生文本表示的跨路径不一致瓶颈，提出自监督对齐框架SPIRAL，通过令牌级OPD与序列级DPO提升模型性能，在VTCBench上显著改善Qwen3-VL-8B的表现并实现域外泛化。
Comments Accepted to ACM Multimedia 2026 (Oral)
Mitigating Visual Degradation in MLLMs via Spatial-Spectral Visual Anchor Learning
通过空间-光谱视觉锚学习缓解多模态大语言模型（MLLMs）中的视觉退化
机构 * China University of Petroleum (East China)（中国石油大学（华东）） ； Shanghai Jiao Tong University（上海交通大学） ； Wuhan University（武汉大学） ； Great Wall Motor（长城汽车） ； Nanyang Technological University（南洋理工大学） ； The University of Hong Kong（香港大学）
AI总结 针对MLLMs推理时的视觉表示退化问题，提出SSVAL方法，通过VAPI及辅助对齐损失实现稳定视觉锚，性能优于现有方法。
Comments This paper has been accepted by ACM MM 2026
Remember-R1: Mitigating Long-Context Visual Forgetting through Reinforcement Learning
Remember-R1：通过强化学习缓解长上下文视觉遗忘
机构 * Northwestern Polytechnical University（西北工业大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Zhejiang University（浙江大学）
AI总结 该研究针对多模态大语言模型的长上下文视觉遗忘问题，提出强化学习框架Remember-R1，通过过程级监督优化视觉依赖与注意力，提升了多模态推理性能。
Comments Accepted by ACM Multimedia 2026
DynActiveGS: Active Gaussian Splatting for Dynamic Scene Reconstruction
DynActiveGS：面向动态场景重建的主动高斯溅射方法
机构 * Tsinghua University, Shenzhen International Graduate School（清华大学深圳国际研究生院） ； Huawei Technologies Ltd（华为技术有限公司） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory（鹏城实验室）
AI总结 DynActiveGS是基于3DGS的动态感知主动重建框架，通过分解不确定性实现动态场景的鲁棒主动重建，在多指标上优于现有基线。
Comments Accepted to ACM Multimedia 2026
Entity-Faithful Repair of Synthetic Supervision for Zero-Shot Image Captioning
零样本图像描述中合成监督的实体忠实修复
机构 * Guangxi University（广西大学） ； School of Computer, Electronics and Information（计算机与电子信息学院）
AI总结 针对零样本图像描述中合成监督的实体级错位问题，提出即插即用框架ReCap，通过实体级重对齐与自适应加权策略优化合成数据，在两类基准上实现最优性能。
Comments Accepted to the 34th ACM International Conference on Multimedia (ACM MM 2026). 16 pages, 7 figures
Hybrid-Domain Posterior Sampling for Inverse Problems via Latent Flow Matching
基于潜在流匹配的混合域后验采样用于逆问题
机构 * College of Computer Science, Sichuan University（四川大学计算机学院）
AI总结 针对潜在流模型应用于逆问题的一阶流形盲区瓶颈，提出混合域后验采样框架，结合朗之万动力学与潜在对齐，在多类逆问题上取得新的最优性能。
Comments Accepted to ACM Multimedia 2026
Hidden-Domain Routing for All-Type Audio Deepfake Detection
用于全类型音频深度伪造检测的隐藏域路由
机构 * OPPO AI Center（OPPO人工智能中心）
AI总结 针对全类型音频深度伪造检测推理时无音频类型的问题，提出闭域路由系统，先恢复隐藏音频域再分支解释分数，在AT-ADD Track2任务中获96.10%宏F1值且排名第一。
Comments Accepted by ACMMM 2026
Gene Ontology-Guided Hierarchical Spatial Gene Expression Prediction from Histopathology Images
基于基因本体论（GO）的组织病理图像空间基因表达分层预测
机构 * National University of Defense Technology（国防科技大学）
AI总结 本研究提出MSGR模型，利用GO的基因功能层级结构作为先验，改进组织病理图像的空间基因表达预测，在9个HEST-1k数据集上验证其性能优于平坦解码方法。
Comments Accepted by ACM MM 2026. Code: https://github.com/NozomiMizore/MSGR
Logographic Character Visual Pretraining via Semantic-based Contrastive Learning
基于语义对比学习的表意文字视觉预训练
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Jilin University（吉林大学） ； King’s College London（伦敦国王学院） ； University College London（伦敦大学学院）
AI总结 针对表意文字数据集不平衡问题，提出结合视觉与上下文语义的多模态学习方法，通过语义对比预训练提升字符识别性能，在多数据集及下游任务上优于现有最优方法。
Comments ACM MM 2026 paper
One Patch Is Enough: Reinforcement-Optimized Visual Token Grounding for MLLM-Based Scene Text Spotting
一个补丁就够：面向基于多模态大语言模型（MLLM）的场景文本定位的强化优化视觉标记接地
机构 * South China University of Technology（华南理工大学） ； HiThink Research（海思思考研究院）
AI总结 针对现有多补丁场景文本定位范式的冗余噪声与定位歧义问题，提出以视觉为中心的单补丁文本定位框架 SPaTS，通过强化学习优化的单补丁选择等技术实现性能提升，显著优于前沿相关模型。
Comments 15 pages, 11 figures. Accepted to ACM Multimedia 2026
Journal ref Proceedings of the 34th ACM International Conference on Multimedia (MM '26), 2026
