来源：智能算法安全全国重点实验室
原文链接：https://mp.weixin.qq.com/s/lRCEwSLo2A4vi9tRBWc5MQ
2026年7月，第34届国际多媒体大会（ACM International Conference on Multimedia，简称 ACM MM）公布论文录用结果。智能算法安全全国重点实验室共6篇论文被录用。
国际多媒体大会（ACM MM，ACM International Conference on Multimedia）是多媒体计算、跨模态智能与数字媒体领域国际顶尖学术会议，由 ACM SIGMM 主办，每年举办一届，在中国计算机学会（CCF）推荐会议列表中被列为 A 类会议。ACM MM 2026 将于11月10日～11月14日在巴西里约热内卢举办。
1、【论文题目】DishSeg24k:基于随机专家解码的大规模食品图像分割
【作者】王奕琳，石浩辰，陈冠宇，闵巍庆，郑锦凯，颜成钢，蒋树强
【内容简介】食物图像分割是智能餐饮、膳食评估和个性化推荐等应用中的关键技术。然而现有分割方法无法应对真实用餐场景中菜品密集重叠、外观高度相似以及长尾类别分布等挑战。为此，本研究首先面向真实世界用餐环境，构建了一个大规模菜品图像分割数据集DishSeg24k，包含24,096张图像、112,281个实例标注和278个菜品类别。基于 DishSeg24k数据集，本研究进一步提出了食物专家自适应分割（Food Expert Adaptive Segmentation Transformers，FEAST） 方法。FEAST方法将基于查询的解码过程建模为一个马尔可夫决策过程，其中每个解码器层的更新都被视为一个顺序决策步骤，用于探索菜品间边界的不确定性；为使模型具备学习多种菜品的细微纹理的能力，进一步引入强化学习引导的混合专家网络重新设计了解码器。最终，利用双评论家解耦优化方案将面向任务的查询优化与结构感知的专家路由分离开来，从而使专家分工更加明确，并防止长尾类别分布下的专家崩溃。最后，在DishSeg24k数据集上的大量实验表明，FEAST达到了当前最优性能，相比当前基线方法， mIoU、mDice和mAcc分别高出3.21%、3.68%和4.00%。在FoodSeg103数据集上的评估进一步验证了FEAST的有效性。
2、【论文题目】LaDA-Band：用于人声到伴奏生成的语言扩散模型
【作者】王棋，沈哲旭，陈梦，于国欣，庞朝旭，赵伟峰，周文江
【论文链接】https://arxiv.org/abs/2604.11052
【内容简介】人声到伴奏（V2A）生成旨在将原始人声录音转化为编配完整的伴奏。这项任务天然需要同时解决一个“伴奏三难困境”：保留声音的真实质感、维持伴奏与人声在整体上的一致性，以及在整首歌曲中实现富有动态变化的配器。现有的开源方法通常不得不在这三个目标之间作出取舍。连续潜变量生成模型能够处理较长的片段，但往往难以保留细粒度的声音细节。相比之下，离散自回归模型虽然能够保持局部保真度，却受限于单向生成方式，并且在长上下文中容易产生误差累积。本文提出 LaDA-Band，一个首次将离散掩码扩散引入 V2A 任务的端到端框架。该方法将 V2A 生成建模为离散掩码扩散过程，即采用一种全局、非自回归的去噪形式，将离散音频编解码器 token 的表征优势与全序列双向上下文建模结合起来。这一设计在保留清晰声音细节的同时，提升了长程结构一致性和时间同步性。在此基础上，LaDA-Band 进一步引入了双轨前缀条件架构、针对条件约束较弱的伴奏区段设计的辅助替换 token 检测目标，以及一种两阶段渐进式课程学习策略，从而将离散掩码扩散扩展到整首歌曲的人声到伴奏生成任务。在学术基准和真实场景基准上的大量实验表明，与现有基线方法相比，LaDA-Band 能够持续改善声音真实感、整体一致性和动态配器效果；即使不使用辅助参考音频，也能保持出色的性能。
3、【论文题目】MorphDreamer：基于渐进式粒子分裂与加权熵正则化变分方法的文本到三维生成
【作者】虞英美，黄礼泊，徐文涛，安竹林，杨传广，徐勇军
【内容简介】本文提出MorphDreamer，用于解决文本到三维生成中SDS容易过度平滑、VSD计算开销大且优化困难的问题。该方法采用渐进式粒子分裂策略，将复杂的全局优化分解为多个更易求解的局部子问题，从而降低多粒子优化开销以及陷入局部最优的风险。同时，针对VSD熵最大化目标与3DGS离散表示之间的不匹配，提出加权熵正则化VSD目标，在几何稳定性与纹理丰富性之间取得平衡。实验结果表明，MorphDreamer能够以较高效率生成兼具多样性和高保真度的三维内容。
4、【论文题目】VOPE: 视觉语言模型在主动想象任务中的幻觉
【作者】龙行明，张杰，山世光，陈熙霖
【论文链接】https://arxiv.org/abs/2511.13420
【内容简介】视觉语言大模型（LVLMs）的幻觉研究大都集中在事实描述任务上，这些任务要求模型尽量忠实地描述图像内容。然而，很少有研究关注主动想象任务（如故事创作）中的幻觉问题。为此，我们提出了主动想象存在估计测评方法（Voluntary-imagined Object Presence Evaluation, VOPE）。具体而言，VOPE 基于LVLM主动想象的内容，设计存在性判断问题来评估模型对于自身生成内容的认知正确性，并以此识别主动想象幻觉。我们将 VOPE 应用于多种主流的LVLM，并得出了两个关键发现：1、大多数LVLM在主动想象过程中会出现严重的幻觉，且它们在针对自身想象内容的存在性评估中表现较差；2、现有幻觉消减方法在解决主动想象幻觉时效果有限，如何解决这一问题是未来研究的一个重要方向。
5、【论文题目】基于跨模态奖励优化辅助线构造的几何推理增强方法
【作者】郭莎莎，庞亮，王熹，王艳玲，沈华伟，张静
【论文链接】https://arxiv.org/pdf/2510.11020
【内容简介】辅助线对于求解复杂几何问题至关重要，但大型视觉语言模型（LVLM）仍难以有效构造辅助线。近期的一些研究尝试通过代码驱动的渲染方式构造辅助线，即依赖准确且可执行的代码生成辅助线的可视化图形，以供后续推理使用。然而，在复杂的立体几何场景中，该策略高度依赖精确的代码描述，因而其鲁棒性受到显著限制。为此，我们采用一种更简单、更稳定的解决方案：将辅助线构造表示为结构化的文本描述。为了弥合文本描述与空间结构之间的差距，我们提出了一种强化图文对齐的强化学习框架。该框架的核心是一个跨模态奖励模型，用于评估生成的辅助线描述与真实辅助线图形之间的匹配程度。该奖励信号进一步驱动基于 GRPO 的强化学习阶段，使模型能够生成信息充分、可用于后续推理的辅助线描述。为支持本研究，我们设计了一套可扩展的数据构建流程，并构建了AuxSolidMath数据集。该数据集包含 3,018 道真实考试中的几何题，每道题均配有相应图形及与之对齐的文本字段。在此框架基础上，我们进一步提出 GeoVLMath——一个用于求解复杂立体几何问题的视觉语言模型。在专门构建的辅助线生成基准以及多个广泛使用的几何推理基准上的实验结果均验证了 GeoVLMath 的有效性。6、【论文题目】当“1+1”适得其反：重新审视视觉词元压缩中的样本级相关性—多样性平衡
【作者】黄一航 温佩松 周晨昊 冯迪夫 许倩倩
【论文链接】https://openreview.net/pdf?id=DEXtYx3JQL
【内容简介】视觉词元压缩是降低大型视觉语言模型（LVLM）推理开销的重要手段。现有方法通常依据文本相关性或视觉多样性筛选词元，或以固定方式结合两者，默认所有输入具有相同的相关性—多样性需求。然而，本文通过系统分析发现，二者的最优平衡不仅在不同任务之间存在明显差异，在同一任务的不同样本之间也会发生显著变化。这表明，简单结合相关性与多样性并不一定带来更好的效果，视觉词元压缩需要根据具体输入动态调整两者的权重。为此，本文提出SAVER，一种无需训练的样本自适应视觉词元压缩框架。SAVER利用高相关视觉词元的空间分布构建几何意图先验（GIP），据此估计当前样本所需的相关性—多样性平衡。在词元选择过程中，本文进一步提出加权文本中心（WTC）和视觉边际覆盖增益（VMCG），分别用于衡量视觉词元与文本提示的相关性，以及所选词元对图像内容的覆盖能力。整个框架仅在推理阶段运行，无需额外训练或辅助预测模块。在多个视觉问答与多模态推理基准以及不同模型架构上的实验结果验证了SAVER的有效性。
