期刊&会议
ACM International Conference on Multimedia · 会议 · Multimedia
QuReC：基于特定查询引导和局部-全局响应校准的一体化图像恢复
机构 * Southeast University（东南大学） ； Hainan University（海南大学）
AI总结 研究一体化图像恢复问题，提出QuReC框架，含退化引导的查询重建模块和局部-全局响应校准模块，通过特定匹配和双分支聚合校准实现细粒度恢复引导，在多个基准上性能优异。
Comments Accepted by ACM MM 2026
VOPE：重新审视视觉语言模型在自愿想象任务中的幻觉现象
机构 * Key Laboratory of AI Safety of CAS, Institute of Computing Technology, Chinese Academy of Sciences (CAS)（中国科学院人工智能安全重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhongguancun Academy（中关村学院）
AI总结 研究聚焦视觉语言模型在自愿想象任务中的幻觉问题，引入VOPE评估基准，通过构建数据集应用于主流模型和缓解方法，发现多数模型幻觉严重，现有缓解方法效果有限，为该领域未来研究指明重要方向。
Comments Accepted at ACM MM 2026 Dataset Track
视觉语言模型如何失败？组合式视觉问答中的视觉-操作不对齐
机构 * Singapore Institute of Technology（新加坡科技学院） ； NVIDIA（英伟达）
AI总结 研究组合式视觉问答中视觉语言模型失败的机制，引入以操作为中心的框架分解失败模式，揭示四种失败模式及传播路径，表明不同失败类型需不同纠正策略，为提升模型可靠性提供基础。
Comments Accepted at ACM Multimedia 2026
GeoChrono：遥感中长期时间理解的基准测试与重新思考
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学） ； Hunan Normal University（湖南师范大学） ； City University of Hong Kong（香港城市大学）
AI总结 研究针对遥感中长期时间理解缺乏系统评估的问题，引入ChronoBench基准。基于评估结果提出GeoChrono模型，设计相关编码器和压缩器并构建训练数据集，该模型在基准测试中性能领先，压缩器有效减少视觉令牌。
Comments Accepted to ACM MM 2026
通过偏好丰富样本挖掘和群组合并进行个性化图像美学评估
机构 * Xidian University（西安电子科技大学）
AI总结 研究个性化图像美学评估问题，提出基于多模态大语言模型的PRAC方法，通过偏好丰富样本挖掘和美学共鸣群组合并建模个体美学偏好，经实验验证该方法优于现有技术。
Comments The paper has been accepted by ACM MM 2026
通过扩散模型中的反事实推理生成罕见概念
机构 * School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息工程学院）
AI总结 针对扩散模型训练的常识偏差致罕见概念图像生成不佳的问题，提出基于反事实推理的CI-Diff方法，阻断干扰，利用自然直接效应解耦属性，重新设计引导机制，经实验验证该方法优于现有模型。
Comments Comments: 17 pages, 15 figures, to appear at ACM Multimedia 2026
从零步洞察终点：通过MLP稀疏感知截断加速扩散多模态大语言模型
机构 * Zhejiang University（浙江大学）
AI总结 研究针对扩散多模态大语言模型推理效率受固定长度生成约束影响的问题，提出Seer框架，利用MLP激活稀疏性变化检测有效语义边界，进行冗余截断及采用混合执行策略，实验表明其可加速吞吐量并维持性能甚至提升复杂视觉任务准确性。
Comments Accepted to ACM Multimedia (ACM MM) 2026
超越思维链：重写作为生成式多模态嵌入的通用接口
机构 * WeChat Vision, Tencent Inc.（腾讯微信视觉部） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
AI总结 针对思维链推理在检索中产生冗余和语义歧义的问题，提出重写驱动的多模态嵌入框架RIME，联合优化生成与嵌入，并通过跨模态对齐和精炼强化学习实现高效准确的检索。
Comments Accepted by ACMMM 2026
峰值-结尾网络：一种受峰值-结尾规则启发的通用视频美学评估框架
机构 * Alibaba Group（阿里巴巴集团） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 研究视频美学评估问题，提出受峰值-结尾规则启发的Peak-End-Net框架，通过引入预训练IAA头部、设计美学节奏编码器和动态门控融合机制，基于冻结ViT实现，在实验中取得最优性能。
Comments Accepted to ACM MM 2026, Code: https://github.com/AMAP-ML/Peak-End-Net
超越语言和模态限制学习说话者身份：来自POLY-SIM 2026挑战赛的见解
机构 * Institute of Computational Perception, Johannes Kepler University（约翰内斯·开普勒大学计算感知研究所） ； University of Michigan-Flint（密歇根大学弗林特分校） ； BDO DIGITAL Gmbh（BDO数字有限公司） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Fortemedia（富特媒体公司） ； College of Computing, Mohammed VI Polytechnic University（穆罕默德六世理工大学计算学院） ； IT:U Interdisciplinary Transformation University（IT:U跨学科转型大学） ； University of Augsburg（奥格斯堡大学）
AI总结 POLY-SIM 2026挑战赛旨在解决多模态说话者识别中语言和模态限制问题，针对实际应用中信息缺失、多语言等挑战，为比较解决方案提供标准化设置。
Comments Accepted at ACM MM 2026
FM$^2$：用于异构多模态医学成像的统一联邦基础模型
机构 * School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； Australian AI Institute, University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所）
AI总结 针对医学成像基础模型构建中隐私与任务统一问题，提出FM$^2$框架，通过从头训练核心主干、结合预训练编码器、配备双混合专家模块及正则化器，并引入字幕增强学习，实现跨模态泛化，优于现有联邦基线。
Comments Accepted by ACM MM 2026 (Main Track): the 34th ACM International Conference on Multimedia
无需基础的准确性：诊断视频语言模型基准测试中的视觉依赖解离
机构 * Purdue University（普渡大学）
AI总结 研究视频语言模型基准测试中视觉依赖问题，引入视觉依赖差距（VDG），通过实验表明准确性与视觉依赖可分离，任务类型排名稳定，帧多样性贡献大，H.264实验有新发现，VDG可作标准审查，推动相关研究。
Comments Accepted, ACM International Conference on Multimedia 2026 (ACM MM)
DynTrace：用于多模态大语言模型中4D时空推理的动态对象证据跟踪
机构 * Xiamen University（厦门大学） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； China University of Mining and Technology（中国矿业大学） ； Shenzhen Technology University（深圳技术大学）
AI总结 研究针对多模态大语言模型在连续动态场景感知中跟踪动态对象证据的局限，提出DynTrace框架，含DTV和DT-Token两个互补组件，能为模型提供基于几何视觉先验和结构化时空轨迹的动态对象证据，在多个基准测试中达先进水平。
Comments Accepted by ACM MM 2026
PVDetector：通过策略违规概念分析检测针对特定目的大语言模型代理的提示注入攻击
AI总结 研究针对特定目的LLM代理的提示注入攻击，提出PVDetector框架，通过测量与离线派生的PV概念的隐藏状态对齐来检测攻击，实验表明该方法误报率低、开销小，性能优于现有方法。
Comments Accepted to ACM MM 2026. Code: https://github.com/Claresigle/PVDetector
MAR3：多智能体识别、推理与反思用于参考音频视觉分割
AI总结 本文提出MAR3框架，通过多智能体机制解决参考音频视觉分割中的表达难度识别、模态主导性分析及反思学习问题，提升分割精度。
Comments Accepted by ACM MM 2026
问题出在泄漏中：用于高保真发型转移的解缠双净化框架
机构 * SAI, UCAS（中国科学院大学 模式识别国家重点实验室） ； MAIS, CASIA（中国科学院自动化所 模式识别国家重点实验室） ； CAIR, HKSIS, CAS（中国科学院香港创新研究院 计算机与信息工程实验室） ； SCSE, FIE, M.U.S.T（澳门科技大学 资讯科技学院）
AI总结 研究发型转移中参考发型与源身份纠缠及现有方法泄漏问题，提出双净化框架，含对抗发型净化和对比几何净化两个正则化器，实现高保真、身份保留的发型转移并达领先性能。
Comments Accepted by ACM MM 2026
TC-MAF：用于多模态工业异常检测的训练校准有界多证据融合
机构 * Shanghai University（上海大学） ； National University of Singapore（新加坡国立大学） ； University of Electronic Science and Technology of China（电子科技大学）
AI总结 研究多模态工业异常检测问题，提出TC-MAF方法，通过固定像素级融合公式结合多模态检测器等，利用轻量级TDC项缩放辅助参与度，在MVTec-3D上取得优异检测和定位结果，消融实验揭示关键因素及校准增益。
Comments accepted by ACM MM 2026
用于体育视频中标签高效精确事件定位的时间特征蒸馏
机构 * Deakin University（迪肯大学） ； Champion Data（冠军数据公司） ； Paralympics Australia（澳大利亚残奥委员会）
AI总结 研究体育视频中精确事件定位问题，提出时间特征蒸馏半监督目标及Transformer Gate Shift模块，通过对齐主干特征保留关键线索，实验显示在多数据集上相比基线有显著提升，减少标注数据仍能取得良好效果。
Comments Accepted at ACM MM 2026
探索开源模型生态系统：艺术图像生成中创作者实践的实证研究
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
AI总结 本文针对开源图像生成生态系统中创作者模型使用行为展开实证研究，构建含600万张图像及生成元数据的数据集，关联基础模型与LoRA模型使用情况，揭示其优劣势，公开数据集，为创作者和研究人员提供参考。
Comments Accepted to MM'26: The 34th ACM International Conference on Multimedia
用于隐私保护的针对视觉语言模型的不可察觉且可逆的对抗性示例
机构 * School of Cyber Science and Engineering, Huazhong University of Science and Technology（华中科技大学网络空间安全学院） ； College of Computer Science, Chongqing University（重庆大学计算机科学学院） ； School of Software and engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； School of Information and Communication Technology, Griffith University（格里菲斯大学信息与通信技术学院）
AI总结 研究针对视觉语言模型基于文本的隐私攻击问题，提出CloakDiff框架，结合扩散对抗编辑与可逆网络生成不可察觉的对抗性示例，设计EDM启发式采样提高保真度，实验证明该框架能实现多模态隐私保护且具高视觉质量和可逆性。
Comments Accepted by ACM MM 2026
UNIT：释放大语言模型在图连续学习中的潜力
机构 * Central South University（中南大学） ； Hongkong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Hunan Institute of Engineering（湖南工程学院）
AI总结 针对图连续学习面临的语义-结构分离和知识转移不平衡问题，提出UNIT框架，通过微调大语言模型、引入不确定感知锚点生成机制和结构融合建模，提升模型适应性与跨任务知识保留能力，在图连续学习任务中达最优性能。
Comments Accepted by ACM MM 2026
欧拉运动引导：基于双向几何一致性的鲁棒图像动画
机构 * National University of Singapore（新加坡国立大学） ； Centre for AI Research, VinUniversity（Vin大学人工智能研究中心） ； Nanyang Technological University（南洋理工大学）
AI总结 提出使用相邻帧欧拉运动场引导生成，并通过双向几何一致性机制解决遮挡问题，实现加速训练、保持时间连贯性和减少动态伪影。
Comments Accepted by ACM MM 2026. Code is available at https://github.com/nguyentthong/eulerian_motion_guidance
眼见无需耗能，言语却要代价：揭示边缘视觉语言模型推理中的真正能量瓶颈
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Jinan University（暨南大学）
AI总结 研究边缘VLM推理的能量瓶颈，通过系统能量分析发现平均推理功率恒定，输出令牌耗时多是关键，图像复杂度因输出长度影响能量，揭示视觉令牌修剪局限，控制输出长度能大幅节能。
Comments Accepted to ACM MM 2026. 10 pages, 5 figures
可负担性语义分割模型：在可负担性基础上再次分割任何事物
机构 * SGIT AI Lab（SGIT人工智能实验室） ； NWPU（西北工业大学） ； HKUST（香港科技大学） ； XJTU（西安交通大学） ； HUST（华中科技大学） ； ZJUT（浙江工业大学）
AI总结 研究聚焦全监督可负担性基础，提出AffordanceSAM，通过设计适应模块和标注数据集，以三阶段训练方式扩展SAM泛化能力，在AGD20K基准上达最优性能，展现强大泛化能力。
Comments [ACM MM 2026] SAM Meets Affordance Grounding
从像素到时间相关性：为强化学习预训练学习信息丰富的表示
机构 * School of Computer Science & Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院） ； Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence, Beijing Jiaotong University（北京交通大学交通数据挖掘与具身智能北京市重点实验室） ； Beijing Jiaotong University（北京交通大学）
AI总结 提出多尺度时间对比学习（MTCL）方法，通过建模时间相关性平衡像素空间中各元素的注意力，学习信息更丰富的表示，提升下游强化学习任务的样本效率和性能。
Comments 10 pages, 8 figures. Accepted by ACM MM 2025
Journal ref Proceedings of the 33rd ACM International Conference on Multimedia (MM '25), October 27--31, 2025, Dublin, Ireland
SIDA: 合成图像驱动的零样本域适应
机构 * Hanyang University（汉阳大学）
AI总结 提出SIDA方法，利用合成图像生成目标域风格特征，通过域混合和补丁风格转移模块实现高效零样本域适应，在多个场景中达到最优性能。
Comments Accepted to ACM MM 2025, Code : https://github.com/766O/SIDA
飞行光点去中心化编队技术的评估
AI总结 本文评估了四种去中心化编队技术，用于飞行光点（FLS）的3D显示，发现随机子集（RS）技术在小规模编队（G≤5）中表现最优，而最近可用邻居优先（CANF）技术在大规模编队（G≥10）中表现更佳。
Comments Appeared in ACM Multimedia Asia 2023 (MMAsia '23), December 06-08, 2023, Tainan, Taiwan. ACM, New York, NY, USA, 7 pages
VeriSpace: 面向视觉-语言-动作模型的空间基础动作验证
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 提出VeriSpace，一种3D感知的动作验证器，通过双路径3D注入场景编码和空间基础动作推理，在测试时选择候选动作，提升VLA模型的可靠性。
Comments Submit to ACM MM
图灵模式用于多媒体：反应-扩散多模态融合用于语言引导的视频时刻检索
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出基于反应-扩散过程的多模态融合框架RDMF，通过模拟生物模式形成机制实现视频与文本的动态对齐，用于视频时刻检索与高亮检测。
Comments Published in ACM MM 2025. Address some typos
并非所有输入都有效：面向开放集视频时刻检索的语言方法
机构 * Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Zhejiang Gongshang University（浙江工商大学） ； Dalian University of Technology（大连理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Xinjiang University（新疆大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 针对开放集场景下视频时刻检索任务中无关查询导致错误检索的问题，提出基于归一化流的开放集视频时刻检索模型OpenVMR，实现分布内查询的精确检索与分布外查询的拒绝。
Comments Published in ACM MM 2024
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈