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：AI TIME 论道 文章链接：https://mp.weixin.qq.com/s/BmqJdhzVDwQ2HO0f64NRJg 解读、编辑｜张意梅 审核 | 蒲诗瑶本文内容基于公开论文资料整理，相关研究成果版权归原作者及所属机构所有。我们尊重每一位研究者的原创贡献，如有任何建议或权益相关问题，欢迎联系我们，我们将及时沟通处理。 ACM MM 2026 论文题目：OASIS: Occ...

来源：STRUCTatP 文章链接：https://mp.weixin.qq.com/s/4WPh0X2CgEWNeFRH28N-NA 当超分辨率模型把一张模糊的小图变得清晰锐利时，我们该如何判断它是真的“恢复”了图像细节，还是只是生成了看似真实的错误纹理？ 长期以来，超分辨率图像质量评价面临着一个两难问题：全参考指标需要真实高清图像，并且容易惩罚合理但未对齐的生成细节；无参考指标虽然不依赖...

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：隐者联盟 文章链接：https://mp.weixin.qq.com/s/DXXPusvBcfk1thLtuimjtA 换脸技术被恶意滥用，带来人脸身份隐私泄露的现实风险，如何从被篡改图片还原出原始人脸，是多媒体取证方向亟待解决的问题。现有的恢复方法大多直接在像素层嵌入身份信息，很容易被局部篡改、多次传输带来的复合退化破坏，还会留下能够被检测到的统计特征。针对这些不足，论文提出 GIE...

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...