ACM MM

GVC-RT: Towards Real-Time Generative Video Compression at Ultra-Low Bitrates

GVC-RT：面向超低码率下的实时生成视频压缩

Tianjian Dang, Sixian Wang, Lei Luo, Guo Lu, Jincheng Dai

AI总结 本文针对现有生成视频编解码器实时性不足的问题，提出GVC-RT，通过重新设计生成式隐编码框架，在超低码率下实现了优于SOTA模型的压缩性能与实时编码解码速度。

Comments Accepted to appear in the Proceedings of the 34th ACM International Conference on Multimedia (MM '26). 10 pages, 9 figures, and 2 tables. Code: https://github.com/semcomm/GVC-RT

Spoken Function Calling: A New Perspective on Spoken Language Understanding for Large Audio Language Models

语音函数调用：面向大型音频语言模型的语音理解新视角

Yuezhang Peng, Yuxin Liu, Changfeng Gao, Zhifu Gao, Xiangang Li, Xie Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Token Foundry, Alibaba Group（阿里巴巴集团Token Foundry） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 该研究提出语音函数调用（SFC）这一新型语义理解视角，构建SFC-Bench数据集并评估LLMs与LALMs性能，经后训练提升LALMs的SFC能力，实验显示SFC优于传统SLU，可大幅提升语义提取准确率。

Comments ACM Multimedia 2026

HexMIL: Hierarchical Attention MIL for Ante-Hoc Explainable Detection of AI-Manipulated CT Volumes

HexMIL：用于AI篡改CT体积事前可解释检测的分层注意力多实例学习

Orazio Pontorno, Luca Guarnera, Zahid Akhtar, Sebastiano Battiato

机构 * University of Catania（卡塔尼亚大学） ； State University of New York Polytechnic Institute（纽约州立大学理工学院） 纠错

AI总结 HexMIL是一种无掩码的医疗深度伪造检测器，采用分层注意力多实例学习，利用二元体积级监督实现AI篡改CT体积的事前可解释检测，在跨生成器泛化任务中性能优于基线。

Comments Accepted at ACM Multimedia 2026 (MM '26)

Journal ref Proceedings of the 34th ACM International Conference on Multimedia (MM '26), November 10--14, 2026, Rio de Janeiro, Brazil

Simile Understanding in Text-to-Image Models: An Evaluation Framework

文本到图像模型中的明喻理解：一个评估框架

Luecheng Wang, Shintaro Ozaki, Hidetaka Kamigaito, Katsuhiko Hayashi, Jingun Kwon, Manabu Okumura, Taro Watanabe

机构 * The University of Tokyo（东京大学） ； Nara Institute of Science and Technology（奈良科学技术研究所） ； Chungnam National University（忠南国立大学） ； Institute of Science Tokyo（东京科学大学） 纠错

AI总结 针对文本到图像模型常混淆明喻喻体与本体的问题，提出含受控数据集、YOLO指标及Diffusion Lens分析的评估框架，实验发现模型存在字面化失败模式并讨论了缓解策略。

Comments Accepted as a full paper at ACM Multimedia 2026

CSGen: A Multi-Domain Curvilinear Structure Generation Model via Hierarchical Multimodal Diffusion

CSGen：一种基于分层多模态扩散的多领域曲线结构生成模型

Zhe Shan, Ziming Yang, Lei Zhou, Wenwen Zhang, Cong Lin, Xia Xie

机构 * Hainan University（海南大学） ； Guangdong Ocean University（广东海洋大学） 纠错

AI总结 该研究针对可控曲线结构图像生成的挑战，提出CSGen模型，通过构建多领域数据集、分层渐进控制策略与稀疏感知损失机制，提升生成图像的结构精度与下游分割性能，为曲线结构分析提供新范式。

Comments Accepted to ACM MM 2026

HiSC: Hierarchical Spatial Clustering Token Compression for Efficient 3D Scene Understanding

HiSC：用于高效3D场景理解的分层空间聚类令牌压缩

Jiuhe Qu, Yingping Liang, Ying Fu

机构 * Beijing Institute of Technology（北京理工大学） 纠错

AI总结 本文提出无训练框架HiSC，通过SGraM策略和SCluP范式实现3D VLMs的分层空间聚类令牌压缩，在高剪枝率下实现超90%令牌减少且性能下降极小，验证了其有效性。

Comments Accepted by ACM MM 2026

ACA-GS: Adaptive-Capacity Anchored Gaussian Splatting for Compact Dynamic Radiance Fields

ACA-GS：用于紧凑动态辐射场的自适应容量锚定高斯溅射

Seunghyeon Song, Joo Chan Lee, Chanung Park, Jun Young Jeong, Minseo Lee, Eunbyung Park, Jong Hwan Ko

机构 * Sungkyunkwan University（成均馆大学） ； Electronics and Telecommunications Research Institute（电子通信研究院） ； Yonsei University（延世大学） 纠错

AI总结 针对4D高斯溅射中运动表达与存储效率的权衡，提出自适应容量锚定高斯溅射框架，通过调整锚点的神经高斯数量和特征通道实现紧凑动态辐射场，在多数据集上显著压缩存储且不降低质量。

Comments 9 pages, 8 figures. Accepted to ACM Multimedia 2026

ReGround: Restoring Visual Grounding in Multi-Step Reasoning through Self-Diagnosis and Visual Re-Examination

ReGround：通过自诊断与视觉重检验恢复多步推理中的视觉接地

Lei Peng, Shuai Lv, Wei Hu

机构 * University of Science and Technology of China（中国科学技术大学） ； School of Artificial Intelligence and Data Science（人工智能与数据科学学院） ； State Key Laboratory of Precision and Intelligent Chemistry（精准与智能化学国家重点实验室） 纠错

AI总结 ReGround是无需架构修改或外部工具的两阶段框架，通过自诊断与视觉重检验解决VLMs多步推理中的视觉接地丢失问题，在八个基准上获一致增益且推理开销适度。

Comments Accepted to ACM Multimedia 2026 (MM '26). 8 pages main text, 4 figures, plus appendix