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：佛山大学电子信息工程学院 文章链接：https://mp.weixin.qq.com/s/8__oAj4NsznfnwweeKKOag 近日，电子信息工程学院视觉感知与智能信息处理团队牛菓博士作为第一作者，佛山大学为第一署名单位的学术论文《Efficient Training with Foresight: Multi-Token Auxiliary Supervision for A...

来源：认知计算与群智协同创新实验室 文章链接：https://mp.weixin.qq.com/s/HbDUTMr2J7Dw9EillvFd0w近日，第34届 ACM 国际多媒体会议（The 34th ACM International Conference on Multimedia, ACM MM 2026）论文录用结果揭晓，西南财经大学认知计算与群智协同创新团队（CCCI）关于持续学习...

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：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：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...

来源：隐者联盟 文章链接：https://mp.weixin.qq.com/s/iCDO4BxLXLDk9BXH1ZRgFw 方法介绍 扩散模型的快速发展使换脸技术普及化，但也引发隐私和身份安全问题。现有的主动防御方法在扩散换脸的场景下防御效果有限。本文提出一种系统性防御方法VoidFace，该方法将换脸视为一个耦合的身份路径，通过在关键瓶颈处注入扰动，可在整个换脸管道中引发级联式破坏。具体...