ACM MM

Beyond Speech: Dual-Domain SSL Fusion for Unified All-Type Audio Deepfake Detection

超越语音：用于统一全类型音频深度伪造检测的双域自监督学习融合方法

Cunhang Fan, Junqin Cao, Tian Gao, Zhipeng Xie, Jun Xue, Zhao Lv, Xin Fang

AI总结 针对未知音频类型的全类型音频深度伪造检测难题，本文提出双域SSL融合方法，结合EAT-large与wav2vec 2.0 XLS-R-300M特征，在AT-ADD挑战赛赛道2获95.58%宏F1值且排名第二。

Comments 8 pages, 5 figures; accepted to the AT-ADD Grand Challenge at ACM Multimedia 2026 (MM '26)

VCAR: Training-Free 3DGS Segmentation via View Completeness and Axis-Aware Boundary Refinement

VCAR：基于视图完整性和轴感知边界优化的无需训练的3D高斯溅射（3DGS）分割方法

Kun Cao, Di Wang, Haibin Zhu, Haozhi Huang, Xu Wang, Zheng Shi, Guanghua Yang

机构 * Jinan University（暨南大学） 纠错

AI总结 VCAR是一种无需训练的3DGS分割策略，通过粗阶段的可见性加权多视图投票、细阶段的球形螺旋采样补充视角及轴感知边界优化，在NVOS和LERF数据集上实现了最优的分割精度与效率。

Comments Accepted to the 34th ACM International Conference on Multimedia (MM '26). 16 pages, 11 figures, including supplementary material

HiRS-Agent: A Hierarchical Multi-Agent System for Reliable Long-Horizon Remote Sensing Task Solving

HiRS-Agent：用于可靠长时程遥感任务解决的分层多智能体系统

Boyang Mu, Zhiwei Wei, Mugen Peng, Wenjia Xu

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Hunan Normal University（湖南师范大学） 纠错

AI总结 本文提出HiRS-Agent分层多智能体系统，通过两层协作架构与优化策略，在Earth-Agent Benchmark和ThinkGeo上提升了长时程遥感任务的工具使用能力与正确性。

Comments Accepted at ACM Multimedia 2026 (MM '26)

SeqAlign3DVG: A Sequence-Aligned Benchmark and Voxel Reasoning Framework for 3D Visual Grounding

SeqAlign3DVG：用于3D视觉定位的序列对齐基准与体素推理框架

Yi Zhang, Yi Wang, Yueting Wu, Kaiyue Yang, Yuejiao Su, Lap-Pui Chau

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 针对现有3D视觉定位基准的文本-观测对齐松散、忽略时间顺序的问题，提出SeqAlign3DVG基准及含ROVM、PLVF的体素推理框架，在无深度协议下实现最优性能，提升复杂关系目标定位效果。

Comments Accepted by ACM Multimedia 2026 (MM '26)

Semantic-Spatial Discriminability Enhancement for Generalized Visual Grounding

面向通用视觉 grounding 的语义-空间判别性增强

Kaiyan Lei, Xu-Yao Zhang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

AI总结 本文针对通用视觉 grounding 任务中易混淆相似目标的问题，提出 SSDE 框架，含 SeDE 与 SpDE 模块，在十个数据集上取得优异性能。

Comments Accepted by ACM MM 2026

Generalization over Memorization: Generalization-Aware Diffusion Adaptation for Single-Image Multi-View Synthesis

超越记忆的泛化：面向单图像多视图合成的泛化感知扩散适配

Jie Li, Xingchen Zou, Yuxuan Liang

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

AI总结 本研究提出ACM MM 2026单图像多视图合成挑战赛的获奖方案GoM，通过场景不相交验证等技术，在40个训练场景下实现293支队伍中排名第一，揭示小数据生成建模中验证设计与训练轨迹控制的关键作用。

Comments ACM Multimedia 2026 Grand Challenge Track winning paper; presents the 1st-place solution among 293 registered teams. 7 pages, 2 figures

SGPDFuse: Semantically-Guided Physics-Disentanglement General Multi-Modal Image Fusion

SGPDFuse：语义引导的物理解耦通用多模态图像融合

Haozhen Wei, Chengjun Jiang, Yutong Guo, Xinrui Ju, Xingyuan Li, Xiang Chen, Jinyuan Liu

机构 * Dalian University of Technology（大连理工大学） ； City University of Hong Kong（香港城市大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出SGPDFuse模型，通过语义-物理参数桥解耦场景属性与环境干扰，结合语义对齐机制实现多模态图像融合，在三类基准测试中达到最先进性能。

Comments Accepted by ACM Multimedia 2026

Acoustically Grounded Cost Learning for Open-Vocabulary Audio-Visual Semantic Segmentation

基于声学接地代价学习的开放词汇视听语义分割

Tianrui Hui, Shaofei Huang, Qisong Han, Yaxiong Wang, Lechao Cheng, Zhedong Zheng, Zhun Zhong, Richang Hong, Meng Wang

机构 * Hefei University of Technology（合肥工业大学） ； Cardiff University（卡迪夫大学） ； University of Macau（澳门大学） 纠错

AI总结 针对开放词汇视听语义分割的现有方法缺陷，提出AGCL框架及AMCG、AGTA、SDM模块，在AVSBench-OV数据集上显著优于现有SOTA方法，尤其在未见类别上表现突出。

Comments Accepted by ACM MM 2026

Let Prompts Bridge Defense Knowledge: Transferable Graph Purification via Vulnerability-Aware GPL

让提示桥接防御知识：通过漏洞感知GPL实现可迁移图净化

Shuomin Xue, Jingyuan Li, Ju Jia, Jingxuan Yu, Xiaojun Jia

机构 * Southeast University（东南大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 针对现有图对抗净化方法领域受限的缺陷，提出ProGAP方案，通过漏洞感知图提示学习实现可迁移图净化，性能提升1%-9%且时间消耗最多减少2.2倍。

Comments To appear in the Proceedings of the 34th ACM International Conference on Multimedia (MM '26). 10 pages, 7 figures, and 4 tables. Shuomin Xue and Jingyuan Li contributed equally to this work

A Large-scale Evaluation of Text-guided Models for Facial Editing

文本引导的人脸编辑模型的大规模评估

Rahul Nair, Saurav Pandit, Hannah Kerner

机构 * Arizona State University（亚利桑那州立大学） ； Prelight Inc（普雷莱特公司） 纠错

AI总结 本研究对6种文本引导模型开展首次大规模人脸编辑评估，构建含169个属性的Face-Edit-Attributes数据集，发现多数模型头发配饰编辑表现好但姿态编辑差，存在过度编辑及针对深色皮肤男性和老年面孔的偏差。

Comments ACM Multimedia (ACMMM) 2026 Oral

Enabling Proactive Spoken Turns via a Generalized Style-Aware Full-Duplex Framework

通过广义风格感知全双工框架实现主动口语话轮

Tianrui Pan, Qinglin Zhang, Chong Deng, Luyao Cheng, Qian Chen, Wen Wang, Jie Tang, Gangshan Wu, Jie Liu

机构 * Token Foundry, Alibaba Group（阿里巴巴集团Token Foundry） 纠错

AI总结 该研究构建含LPS-TC控制器、WildTurn数据集及两级评估方案的风格感知全双工框架，结合半双工/全双工模型后，可实现更自然类人的主动口语交互，时机与响应质量表现优异。

Comments Accepted by ACM MM 2026