来源：中国图像图形学会CSIG
原文链接：https://mp.weixin.qq.com/s/nw8ORUPkMF7w7MhBG03K9Q
近日，ACM MM 2026论文录用结果公布，中国图像图形学会会员多篇论文被录用。今天为大家带来其中11篇论文介绍，后续将持续更新，敬请关注~
Towards Richer Referring Multi-Object Tracking in Satellite Videos: A Large-Scale Dataset and Baseline
作者及对应单位：卢伟清（湖南大学）、孙斌（通讯作者）（湖南大学）、马付严（中南大学湘雅医院）、方乐缘（湖南大学）、康旭东（湖南大学）、李树涛（湖南大学）
-
论文简介：本文利用多智能体框架构建了一个目前规模最大、最多样的卫星视频指代多目标跟踪数据集SatRMOT，含523段视频和1.9万条丰富指代表达，覆盖汽车、飞机、船舶和列车，重点面向微小、密集目标及多目标指代。
-
Paper链接：
https://satrmot.github.io/
-
Code链接：
https://satrmot.github.io/
StyleHCD: A Fast Adaptation Paradigm for Hyperspectral Change Detection via Style-conditioned Parameter Injector
作者：王冠淳、徐欣畅、张向荣、张伊菲、彭泽林、张天扬、唐旭
单位：西安电子科技大学、上海交通大学
-
论文简介：现有高光谱变化检测方法在处理参考影像与新观测影像时依赖于全量重训练，难以满足持续监测需求。提出一种高效参数调制范式StyleHCD，从观测光谱特征中自适应生成特定场景的模型参数，可实现与重训练近似精度且仅需0.004%参数。
-
Paper链接：
https://github.com/GC-WSL/StyleHCD
-
Code链接：
https://github.com/GC-WSL/StyleHCD
CAPT: Class-Aware Prompt Tuning for Federated Long-Tailed Learning with Vision-Language Model
作者：侯世豪
单位：厦门大学
论文简介：本文针对联邦长尾学习中非独立同分布与类别不平衡共同导致尾类性能下降的问题，提出CAPT框架。该方法以类别感知提示保留类特征，以通用提示学习共享知识，并通过相似性与异质性双聚类进行针对性聚合，显著提升整体及尾类精度。
-
Paper链接：
https://arxiv.org/abs/2503.06993
-
Code链接：
http://github.com/shihaohou/CAPT
Foreground-Generalized RPN and Language-Guided Visual Augmentation for Open-Vocabulary Object Detection
作者：梁秋雨、张永强
单位：内蒙古大学
论文简介：开放词汇目标检测旨在识别训练类别之外的目标。现有基于伪标签的方法仍存在两方面不足：一方面，RPN仅依赖基础类别标注进行训练，生成的候选区域易偏向已见类别；另一方面，新颖类别区域缺乏直接的语义监督，导致其区域表征判别性不足。为此，本文提出 FLDet，利用 Grounding DINO 提供的前景线索来增强 RPN 的泛化能力；语言引导的视觉增强模块进一步将 LLM 提供的粗粒度与细粒度语义知识注入区域特征。实验结果表明，FLDet 在多个开放词汇目标检测基准上取得了领先性能。
MAR3: Multi-Agent Recognition, Reasoning, and Reflection for Reference Audio-Visual Segmentation
作者：赵源、贾真琦、张永强
论文简介：参考音频-视觉分割旨在依据多模态表达分割有声视频目标。针对现有方法难以识别表达难度与主导模态、依赖微调数据且缺少验证的问题，本文提出免训练框架MAR3，通过共识识别、协同推理与反思修正提升掩码精度。
-
Paper链接：
https://arxiv.org/abs/2603.27706
-
Code链接：
https://arxiv.org/abs/2603.27706
HarmoLight: Multimodal-Guided Diffusion Model for Composite Image Lighting Adaptation via Curriculum Lighting Learning
作者及对应单位：刘志睿(中山大学)、孙上荃(南洋理工大学)、裴仁静(华为)、李超鹏(集美大学)、崔智高(火箭军工程大学)、宋风龙(华为)、郑浩(中山大学)、任文琦(中山大学)
论文简介：合成图像光照适配旨在调整合成前景的光照，使其与目标背景的光照条件协调一致。我们提出了 HarmoLight，一种面向合成图像光照适配的多模态引导扩散模型。该模型通过解耦交叉注意力机制，分别利用解耦后的内容提示和光照提示进行引导，从而更加有效地控制前景内容外观，并实现与背景光照的自适应融合。我们进一步提出了一种光照表征蒸馏策略，将大型预训练模型所具备的光照编码知识迁移至当前模型中。此外，为了更好地促进模型学习多样化的光照变化，我们引入了课程式光照学习策略，根据光照适配任务的难度对训练样本进行组织。在合成数据集和真实世界图像上开展的实验表明，我们的方法取得了良好的效果。
-
Paper链接：
https://tandaily.github.io/Harmolight-Project/static/pdfs/paper.pdf
-
Code链接：
https://tandaily.github.io/Harmolight-Project/
RDVSv2: A Large-scale Benchmark for RGB-D Video Salient Object Detection
作者：李天裕、何家豪、傅可人（通信作者）、赵启军
单位：四川大学
-
论文简介：针对现有RGB-D视频显著目标检测数据集在规模、标注密度、标注协议和场景多样性等方面的不足，构建了目前规模最大的RGB-D视频显著目标检测基准数据集——RDVSv2，并在此基础上提出了一种性能较好的基于SAM2的多模态适配基线模型CPSAM。
-
Paper 链接：
https://github.com/ltynick/RDVSv2
-
Code 链接：
https://github.com/ltynick/RDVSv2
MemGUI-Bench: Benchmarking Memory of Mobile GUI Agents in Dynamic Environments
作者及对应单位：刘广义（浙江大学）、赵鹏祥（浙江大学）、梁耀臻（浙江大学）、罗钦译（南开大学）、唐顺业（南开大学）、柴宇翔（香港中文大学）、林炜丰（香港中文大学）、肖涵（香港中文大学）、王文昊（浙江大学）、陈思衡（上海交通大学）、卢政希（浙江大学）、吴高（浙江大学）、王昊、刘亮、刘勇（浙江大学）
论文简介：本文提出首个面向移动端GUI智能体的记忆评测基准MemGUI-Bench，构建短时、长时记忆分类体系，搭建含128项记忆密集任务的测试集与分层自动化评测管线。通过11款主流智能体对比实验，证实现有模型普遍存在严重记忆缺陷，剖析跨App交互等核心瓶颈，归纳五类记忆失效模式，并给出架构优化思路，为后续智能体记忆研究提供统一评测标准。
-
Paper链接：
https://arxiv.org/abs/2602.06075
-
Code链接：
https://memgui-bench.github.io/
GEAR: Reconstruction of Classical Paintings via Geometry Grounding and Appearance Restitution
作者：张秦瑜、刘鑫达、李昀尘、刘芸卓、胡晨曦、李康、耿国华 单位：西北大学
论文简介：针对古典绘画重建中的几何失真与风格丢失，我们提出CP3D任务及免训练GeAR框架，通过几何锚定与外观复原实现结构稳定和艺术保真；并构建含10160幅图像的HeriArch基准，实验验证其有效性。
-
Paper链接：
https://arxiv.org/abs/2607.17519
-
Code链接：
https://github.com/liuxindazz/GEAR
One CT Unified Model Training Framework to Rule All Scanning Protocols
作者及对应单位：徐凤智（四川大学）、杨子元（四川大学）、陆泽欣（四川大学）、陈迎语（四川大学）、张意（四川大学）、 范凤磊（香港城市大学）、单洪明（复旦大学）
-
论文简介：针对非理想CT无监督重建中特征离散与泛化差的问题，本文提出不确定性引导的流形平滑(UMS)框架。该方法通过弥合子流形间隙，并结合置信分引导的去噪架构融合全局与子流形特征，有效提升了图像重建效果。
-
Paper链接：
https://arxiv.org/abs/2603.15025
-
Code链接：
https://github.com/xufz123/UMS
Scalable Multi-View Multi-Label Feature Selection via Tensor-Coupled Hypergraph-Bipartite Consensus
作者：郝娉婷、张绍启、张慧杰 单位：东北师范大学
论文简介：在多视图多标签特征选择中，平衡可扩展性与结构完整性始终是一项重大挑战。现有的基于锚点的框架通常依赖于相互独立的成对图，这种做法在本质上将结 构建模与语义拟合割裂开来，无法将跨视图高阶相关性与样本-标签依赖关系进行有机融合。本文提出一种面向多视图多标签特征选择的可扩展框架，在紧凑锚 点空间中联合建模结构与语义，通过低秩张量提取跨视图共识，并利用超图二部结构刻画高阶关系，在保持线性复杂度的同时提升特征筛选准确性与鲁棒性。
-
Paper链接：
https://github.com/hpinty/Multi-view-Multi-label-learning/blob/main/pre-pdf/THBFS.pdf
-
Code链接：
https://github.com/hpinty/Multi-view-Multi-label-learning/blob/main/alg/THBFS_code_description.md
