Depth-Guided Video Object Counting in Crowded Scenes
拥挤场景中基于深度引导的视频目标计数
AI总结 该研究针对拥挤场景视频目标计数的局限性，提出DG-Det与后处理流水线、去重框架，发布新数据集，使MAE降62.01%且RMSE提升。
Comments Accepted at ACM Multimedia 2026
期刊&会议
ACM MM
ACM International Conference on Multimedia · 会议 · Multimedia
MultiMoQ: Multi-Access Media-Over-QUIC for Robust Immersive Video Streaming
MultiMoQ：面向鲁棒沉浸式视频流的多接入媒体传输 QUIC
AI总结 本文提出基于MoQ的多接入分块流框架MultiMoQ，通过重新设计传输机制提升沉浸式视频流的鲁棒性，经仿真验证其在吞吐量、延迟及播放连续性上优于DASH和标准MoQ。
Comments 9 pages, 15 figures. Accepted for publication in the Proceedings of the 34th ACM International Conference on Multimedia (ACM MM 2026)
DTRNet: Dual Text-Radical Decoding for Handwritten Chinese Text Recognition with Faked Character Detection
DTRNet：用于手写中文文本识别及伪造字符检测的双文本-偏旁解码框架
AI总结 针对教育场景中手写中文文本识别需检测伪造字符的需求，本文提出DTRNet框架，通过解耦文本识别与结构验证，实现高效且可解释的伪造字符检测，效果显著。
Comments Accepted by ACM MM 2026 (Oral)
Flow-Map Distillation on Relation Manifolds for Image Restoration
面向图像复原的关系流形上的流图蒸馏
AI总结 本文提出FoRM方法，将关系知识迁移转化为关系流形上的流图映射问题，通过安全半群一致性约束等优化，在5项图像复原任务上降低训练方差约50%，性能优于现有蒸馏基线。
Comments 9 pages, 7 figures. Accepted to ACM Multimedia 2026
A Unified Framework for Trajectory Prediction with Explicit Planning and Reaction Decomposition
显式规划与反应分解的轨迹预测统一框架
机构 * Software College, Northeastern University（东北大学软件学院）
AI总结 针对现有轨迹预测方法未充分区分社会影响功能角色的问题，提出INTraJ框架，将社会影响分解为规划与反应两阶段，在四个基准上实现性能提升，验证了阶段性社会建模的重要性。
Comments Accepted by ACM MM 2026
URNet: A Unified Reparameterized Network for Efficient RGB-D Semantic Segmentation
URNet：用于高效RGB-D语义分割的统一重参数化网络
机构 * University of Technology Sydney（悉尼科技大学） ； Nanjing University of Science and Technology（南京理工大学） ； Honor Device Co., Ltd.（荣耀终端有限公司） ； Shanghai Institute of Microsystem and Information Technology, CAS（中国科学院上海微系统与信息技术研究所）
AI总结 针对现有RGB-D语义分割方法的不足，提出URNet，通过单编码器实现多模态特征提取与跨模态融合，采用RepBlock、LGA和PMD，在多基准上达到最优性能且高效。
Comments ACM MM 2026
MEC-Patch: Visible-Infrared Cross-Modal Adversarial Attack Driven by Intrinsic Material Emissivity Laws
MEC-Patch：基于本征材料发射率定律的可见-红外跨模态对抗攻击
AI总结 本文提出基于斯特藩-玻尔兹曼定律的MEC-Patch跨模态对抗攻击框架，结合NSGA-II与DAR策略，可欺骗多模态检测器并提升环境鲁棒性，为多模态感知系统安全评估提供新思路。
Comments Accepted by the 34th ACM International Conference on Multimedia (MM '26). Includes supplementary material
PD-GS: Phoneme-Driven 3DGS for Audio-Driven Talking Heads
PD-GS：音素驱动的3DGS用于音频驱动的说话头生成
机构 * Southeast University（东南大学） ； School of Computer Science and Engineering（计算机科学与工程学院）
AI总结 针对3DGS说话头渲染的漏嘴伪影问题，提出PD-GS模型，通过LFM融合音频与音素信息，在HDTF数据集上实现最优嘴唇几何，提升神经化身的语言忠实度。
Comments Accepted to ACM MM 2026
DishSeg24k: A Large-Scale Benchmark for Food Segmentation with Stochastic Expert Decoding
DishSeg24k：用于食物分割的大规模基准测试及随机专家解码
机构 * Institute of Computing Technology, CAS（中国科学院计算技术研究所） ； Hangzhou Dianzi University（杭州电子科技大学） ； North China Electric Power University（华北电力大学） ； Lishui Institute of Hangzhou Dianzi University（杭州电子科技大学丽水学院）
AI总结 针对现有食物分割基准测试无法捕捉现实用餐场景复杂性的问题，提出DishSeg24k基准测试，并基于此设计FEAST方法，通过将查询解码视为马尔可夫决策过程及重新设计解码器，提升分割性能，在多个指标上优于此前方法。
Comments 9 pages, 8 figures. This paper has been accepted by ACMMM 2026
MAC 2026: Advancing Micro-Action Analysis Towards Fine-Grained Understanding
MAC 2026：推动微动作分析迈向细粒度理解
机构 * United Arab Emirates University（阿联酋大学） ； Hefei University of Technology（合肥工业大学） ； University College London（伦敦大学学院） ； Zhejiang University（浙江大学） ； University of Oulu（奥卢大学） ； CMVS, University of Oulu（奥卢大学计算机视觉与媒体研究中心）
AI总结 本文介绍第三届MAC 2026，以从识别到细粒度微动作理解为主题，扩大挑战范围，引入新任务并借助多模态大语言模型评估，总结了相关数据集、设置、结果等，还探讨了微动作分析未来方向及在视频理解中的作用。
Comments Challenge Summary Paper of the 3rd Micro-Action Analysis Grand Challenge (MAC 2026) at ACM Multimedia 2026
TRU: Targeted Reverse Update for Efficient Multimodal Recommendation Unlearning
TRU：面向高效多模态推荐去学习的定向反向更新
机构 * University of Electronic Science and Technology of China（电子科技大学） ； University of Macau（澳门大学）
AI总结 针对多模态推荐系统中数据删除影响不均匀的问题，提出TRU框架，通过层级化干预实现更高效的去学习，提升保留与遗忘的平衡。
Comments Author Accepted Manuscript. Accepted for publication in the Proceedings of the 34th ACM International Conference on Multimedia (ACM MM '26). This author-created manuscript is not the ACM Version of Record
Ge$^\text{2}$mS-T: Multi-Dimensional Grouping for Ultra-High Energy Efficiency in Spiking Transformer
Ge$^\text{2}$mS-T：多维分组以实现脉冲变换器中超高能效
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； State Key Laboratory for Multimedia Information Processing, Peking University（北京大学多媒体信息处理国家重点实验室） ； Academy for Advanced Interdisciplinary Studies, Peking University（北京大学前沿交叉学科研究院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
AI总结 本文提出Ge$^\text{2}$mS-T架构，通过多维分组计算提升Spiking Vision Transformers的能效，解决内存、精度与能耗的平衡问题。
Comments Accepted to ACM MM 2026 (Oral)
MMaDA-VLA: Large Diffusion Vision-Language-Action Model with Unified Multi-Modal Instruction and Generation
MMaDA-VLA: 基于统一多模态指令与生成的大型扩散视觉-语言-动作模型
机构 * Westlake University（西湖大学） ； Zhejiang University（浙江大学） ； East China University of Science and Technology（华东理工大学） ； Huawei Celia Team（华为Celia团队） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； OpenHelix Robotics
AI总结 本文提出MMaDA-VLA模型，通过统一多模态理解与生成框架，解决机器人操控中的时序不一致和长周期误差累积问题，实现高效视觉-语言-动作生成。
Comments Accepted by ACM MM 2026
Versatile Video Representation via Feed-Forward 2D Gaussian Splatting Tokenization
基于前馈二维高斯溅射标记化的通用视频表示
AI总结 本研究提出基于前馈2DGS标记化的GVT框架，通过STGE与GSP策略实现通用视频表示，在四项视频任务的多数据集评估中，其重建、压缩性能达先进水平，动作识别提升，生成性能可与MAGVIT-v2媲美。
Comments Accepted by ACM MM 2026, Rio de Janeiro, Brazil
