ACM MM

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

Yuanjing Xu, Xinyan Liu, Weidong Chen, Zixuan Zou, Linhao Zhang, Zhuangzhe Meng, Antoni B. Chan, Weigang Zhang

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

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

Yitong Li, Xinjiao Li, Ruonan Chai, Dirk Kutscher

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

Runrui Li, Lin Zhu, Hua Huang

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

Zihao He, Songhua Liu

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

Jiaheng Chen, Jiaxing Li, Tinghe Zhang, Chaopeng Guo

机构 * Software College, Northeastern University（东北大学软件学院） 纠错

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

Guoan Xu, Zhengxue Wang, Yang Xiao, Ligeng Chen, Guangwei Gao, Dongchen Zhu

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） 纠错

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

Zhixiang Huang, Xinbo Nie, Wenxuan Wang, Lu Yang, Xin Li, Xuelin Qian, Peng Wang

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

Ao Fu, Yi Zhou

机构 * Southeast University（东南大学） ； School of Computer Science and Engineering（计算机科学与工程学院） 纠错

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