近日，我中心3篇论文被第33届计算机多媒体国际会议ACM Multimedia 2025录用。ACM Multimedia是计算机图形学与多媒体方向的顶级学术会议，被中国计算机学会（CCF）评为A类会议，主要收录多媒体分析、检索、生成、理解与人机交互等方向的高质量论文。会议将于2025年10月27日至31日在爱尔兰都柏林的会议中心举行。
论文简介
论文题目：Sera: Separated Coarse-to-fine Representation Alignment for Cross-subject EEG-based Emotion Recognition
录用类别：Regular Paper
作者：Zhihao Jia+, Meiyan Xu+, Jing Yuan Wang, Ziyu Jia, Yong Li, Xinliang Zhou, Chenyu Liu, Junfeng Yao*, Yi Ding*
完成单位：厦门大学，闽南师范大学，中科院自动化研究所，东南大学，南洋理工大学
论文介绍：
近期在脑电情绪识别研究中的神经心理学启发性模型中，诸如提取空间特征的卷积网络和处理时序依赖的Transformer取得了显著进展。尽管这些方法受益于频带特征和空间相关性等专业知识，却普遍忽略了一个基本事实：脑电信号实则是皮层与皮层下区域等多重神经源活动的复杂混合体。这种混合特性给情绪识别带来本质挑战，尤其在跨被试场景中因个体差异显著而尤为突出。受神经生理学原理启发，我们提出名为Sera的创新框架，通过显式分离神经源活动并实现跨被试表征对齐，提升基于脑电的情绪识别性能。该框架包含两大核心模块：（1）配备多级多分支解码器的变分自编码器（VAE），通过模拟神经信号生成过程将混合脑电解耦为独立神经源；（2）由粗到精的表征对齐模块（CFRA），逐步消除被试间差异。粗粒度对齐采用带域判别器的对抗训练，细粒度对齐则通过协方差矩阵匹配捕捉脑电片段内的时序相关性。在DEAP和DREAMER数据集上的大量实验表明，Sera的准确率优势超越现有最优方法，其有效性与神经生理学基础得到充分验证。模型代码已开源：https://anonymous.4open.science/r/Sera-code-7EC7
论文题目：Gloss Matters: Unlocking the Potential of Non-Autoregressive Sign Language Translation
录用类别：Regular Paper
作者：Zhihao Wang+, Shiyu Liu+, Zhiwei He, Kangjie Zheng, Liangying Shao, Junfeng Yao, Jinsong Su*
完成单位：厦门大学，上海交通大学，北京大学
论文介绍：
虽然非自回归手语翻译（NASLT）模型在推理速度方面具有优势，但其译文质量却明显落后于最先进的自回归手语翻译（ASLT）模型。为了缩小这一质量差距，我们利用手势标注（gloss）来挖掘NASLT模型的潜力。具体而言，我们提出用于手语翻译任务的名为GLevT的模型，它将gloss作为编辑生成文本的初始序列。特别地，为了缓解GLevT的训练和推理之间由于引入gloss导致的不一致性，我们提出了一个双中心学习策略和一种基于关键帧的gloss替换方法改进GLevT的训练，进一步提高GLevT的译文质量。在CSL-Daily数据集上的实验表明，GLevT比其它NASLT模型在BLEU和ROUGE分数上高出约4个点，同时在推理速度上实现了3.46~5.26倍的加速；同时，GLevT与最先进的ASLT模型的翻译性能相当。此外，我们还将GLevT 扩展到无gloss的手语翻译任务上，仅使用49M的参数便取得与最先进的大型模型相当的翻译性能。
论文题目：EditEval: Towards Comprehensive and Automatic Evaluation for Text-guided Video Editing
录用类别：Regular Paper
作者：Bingshuai liu+, Ante Wang+, Zijun Min+, Chenyang Lyu, Longyue Wang, Zhihao Wang, Xu Han, Peng Li, Jinsong Su*
完成单位：厦门大学，上海人工智能实验室，阿里国际，清华大学
论文介绍：
现有视频编辑模型的自动评测指标往往与人工标注结果不一致，迫使研究者依赖耗时且难以客观统一的人工标注。为解决这一痛点，本文构建迄今规模最大的文本指导视频编辑评测基准EditEval，涵盖200段原始视频及1010条多样化文本提示，并从中抽取160个实例以8个主流开源模型生成1280段编辑结果并配以人工标注，从文本忠实度、帧间一致性、视频保真度三大维度全面衡量模型表现；同时提出自动评测方案EditScore，借助多模态大语言模型（MLLM）的推理与理解能力对上述维度统一打分。实验显示目前最佳视频编辑模型在EditEval上平均仅得 3.16/5 分，而在文本忠实度上EditScore（基于LLaVA-One-Vision-7B）与人工标注的Pearson相关性显著优于传统CLIP指标（0.50 vs 0.22），充分彰显任务挑战性与MLLM评测潜力。
