来源：SV4Good AI Lab 文章链接：https://mp.weixin.qq.com/s/3Jx-5RFuxCYANIP8lSCgLQ 引言 Sora、Kling 等文生音视频模型，能画出逼真画面、配上同步声音，但真的懂声学物理吗？吹空瓶子 vs 吹装水瓶子、敲木头 vs 敲金属，模型能生成符合物理规律的声音吗？本文介绍由香港科技大学（广州）× 腾讯的重磅工作 ——PhyAVBen...

来源：生物信息感知与人机交互团队 文章链接：https://mp.weixin.qq.com/s/-U2uOHmpsMTnIq-F6CsSAQ 近日，IIP-HCI实验室关于全类型音频深度伪造检测的最新研究成果被多媒体领域顶级国际会议 ACM MM 2026 接收。会议全称为 ACM International Conference on Multimedia，自1993年创办以来持续推动多...

来源：音频语音与语言处理研究组 文章链接：https://mp.weixin.qq.com/s/-xUuA6Mk2JXPiQ3J5DX7lQ 近年来，基于大语言模型（LLM）的音频大语言模型（Large Audio Language Models, LALMs）在音频理解任务上取得了显著进展，在短音频场景中已经展现出优异的性能。然而，当输入扩展到播客、访谈、会议、直播等常见的持续数十分钟的长...

来源：多模态信息融合 文章链接：https://mp.weixin.qq.com/s/_BBmHCa8DMXBF1TBuUneng ACM MM 2026 · IMAGE FUSIONSGPDFuse：先解耦再做多模态融合 物理解耦融合，并不是简单的把两张图融在一起最难的就是：让模型能够识别哪些是场景本身，哪些只是环境干扰？SGPDFuse 使用DINOv3进行语义先估计“变化因素”再只融合...

来源 来源：chal1ce文章链接：https://mp.weixin.qq.com/s/B6UWrSfxCRTg-MP92EVBzg 今日碎碎念 图片改坏了，到底该怪谁？dars让规划器和生成器分别背对的锅 复杂图像编辑通常由两个模型接力完成：视觉语言模型先制定计划，扩散模型再执行。但当最终图片失败时，一个总分并不能告诉我们究竟是谁出了错。dars把这个问题重新定义为“双层信用分配”，让训...

来源：以人为中心的协同计算 文章链接：https://mp.weixin.qq.com/s/WaE9yQZGUZfQzSS599Xu6w 近日，实验室硕士生任宇琪为第一作者的论文 GazePruning: Gaze-Guided Token Pruning for LVLMs in Virtual Reality 被 The 34th ACM International Conference...

来源：IPIU智能感知与图像理解 文章链接：https://mp.weixin.qq.com/s/s8tnN2ynJFjmB-UsQXhknA近日，计算机图形学与多媒体领域顶级会议ACM International Conference on Multimedia（ACM MM 2026）公布了论文接收结果，实验室共有18篇论文被ACM MM 2026录用，第一作者分别是郝泽华博士生（导师：...

来源：工业AI眼 文章链接：https://mp.weixin.qq.com/s/xyZ6eUfkYpZkJW6jGgKA-A 在工业智能制造的质检场景中，仅依靠 RGB 图像（类似我们日常拍的照片）来检测产品缺陷，往往容易漏掉那些三维的、几何结构上的细微瑕疵。因此，多模态异常检测（MAD） 应运而生——它通过融合 RGB 图像和深度图像（包含物体几何信息），试图让 AI 质检员“既看清颜色...

来源：多模态信息融合 文章链接：https://mp.weixin.qq.com/s/X3SPTbVUlwPIEWRWfBSb9QShift-IISR·红外超分辨率 可见光先验，红外又该如何适配呢？ 一张低分辨率的红外图片，想要恢复出清晰的结构来，但是却因为可见光扩散模型而被补出了“不属于红外”的纹理。北科大Shift-IISR不重训整个扩散骨干，而是在两条引导路径上分别纠正全局模态分布和局...

来源：多模态论文每日速递 网站链接：https://mp.weixin.qq.com/s/jF4LR2urolrh8aQVhNYsgw EmoBench-M:Benchmarking Emotional Intelligence for Multimodal Large Language Models 作者单位：深圳大学,光明实验室,同济大学,澳门大学 项目链接：https://emo-gm...