来源：HUS Media Lab 文章链接：https://mp.weixin.qq.com/s/OwHVh-5cU6NOE26mz6Psrw 短视频流行度预测（Micro-Video Popularity Prediction, MVPP）要在视频发布后预判它未来的热度，直接服务于内容推荐、流量分配与内容治理。但这件事，究竟难在哪里？是视频太长，模型"看不远"？还是历史太多，模型"看不广"...

来源：西湖机器人 文章链接：https://mp.weixin.qq.com/s/FJh__9hEIzArZXuGCWV9-w进入2026年，具身智能的竞争重心已转向底层模型的通用性与持续进化能力。 VLA（视觉-语言-动作，Vision-Language-Action）模型被视为通往通用具身智能最有希望的技术路线之一。但VLA要从实验室走向规模化应用，还需要回答两个核心问题： ● 理解任务...

来源：多模态信息融合 文章链接：https://mp.weixin.qq.com/s/-He-TQ62-1eyHUj2Waq2pg PAPER READINGACM MM 2026 · RGBT OBJECT DETECTION 本文所要解决的问题是RGBT融合中一个非常具体的问题：两种模态都很好用，但是把它们以全分辨率的方式混合在一起，那么背景也会被一起传播。ProtoHGF-Net 先用...

来源：测绘遥感工程信息全国重点实验室 文章链接：https://mp.weixin.qq.com/s/_t2G7nrPm_OZDapxjfnNUA 近期，武汉大学测绘遥感信息工程全国重点实验室涂志刚教授课题组，在多模态大模型驱动的视觉行为理解领域取得多项关键研究成果。（1）在 CCF-A类会议ACM MM 2026 的微动作分析挑战赛（Micro-Action Analysis Grand ...

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...