近日，国际计算机图形学与多媒体领域顶级学术会议 ACM International Conference on Multimedia (ACM MM 2026) 公布论文录用结果，课题组共有 6 篇论文 被大会主会正式录用。
ACM MM 是国际多媒体、计算机图形学、计算机视觉与人工智能领域最具影响力的学术会议之一，同时也是中国计算机学会（CCF）推荐的 A 类国际学术会议。近年来，会议投稿规模持续攀升，竞争日趋激烈。根据大会官方公布的数据，ACM MM 2026 共收到来自全球的 7053 篇论文投稿，录用论文聚焦计算机图形学、多媒体智能、生成式人工智能、跨模态学习等多个国际前沿研究方向，集中展示了该领域最新的研究成果与技术进展。
论文题目：Skel4D: Reconstructing 4D Objects from Casual Video with Skeleton-Driven Structured Gaussians and Diffusion Priors
录用类型：ACM MM 2026, Main Track
作者：Ying Ye+, Weixing Xie+, Jintian Li, Xian Wu, Junfeng Yao*, Shaoqi Wu, Jinwen Li, Yong Yang
完成单位：厦门大学
论文简介：针对单目视频中视角歧义、遮挡严重和时间观测不完整等问题，Skel4D以骨架结构为核心，引导动态几何与外观恢复，从而提升复杂运动场景下的表面连续性、结构合理性与时间一致性。该方法首先构建结构化的网格—高斯表示，将高斯约束在可形变网格表面，并通过跨三角形迁移机制，根据局部表面变化自适应调整高斯分布。随后，系统利用三维基础模型估计粗略骨架，并设计自适应调制策略降低骨架噪声带来的影响，同时结合残差非刚性形变模块，对局部细节进行进一步优化。在监督方面，Skel4D将骨架条件引入扩散模型，并通过递归时间传播增强连续帧之间的信息传递，为动态序列提供更稳定、更具结构感知能力的监督信号。大量定性与定量实验表明，Skel4D 能够在具有挑战性的动态场景中实现稳健且高质量的四维重建，同时天然支持运动编辑。
论文题目：LDSG: Learning Decoupled Structured Gaussians for Improved Dynamic Rendering and Reconstruction
录用类型：ACM MM 2026, Main Track
作者：Weixing Xie+，Xian Wu+，Ying Ye，Jintian Li，Junfeng Yao*，Youhong Peng，Shaoqi Wu，Yong Yang
完成单位：厦门大学
在基于单目视频的动态场景4D重建领域，现有动态3DGS范式普遍存在外观表征与几何原语强耦合的固有缺陷。多数工作借助单一形变场完成时序形变求解，刚性全局运动与非刚性局部形变会产生优化歧义，光度主导的损失函数缺乏有效几何正则约束，极易诱发曲面拓扑畸变、时序漂移与几何坍缩；而分段独立化形变网络虽可小幅改善重建效果，却会引入冗余参数量与额外前向推理开销，难以实现可微分光栅化渲染与隐式曲面重建的双向最优收敛。本文提出LDSG解耦结构化高斯框架，针对动态高斯原语的表征范式与时序形变建模流程进行系统性解耦设计，从底层优化动态场景联合优化的病态问题。该方法构建双规范高斯表征，将外观辐射场与空间几何场解耦为两类独立结构化高斯集合；依托锚点高斯驱动的层级形变模型，划分全局形变分支与局域残差形变分支，实现刚体运动和非刚性形变的解耦参数化。框架引入时空域自适应高斯筛选机制优化点云分布，同时采用虚拟视场深度一致性正则项补充弱几何监督，缓解纯光度损失带来的重建退化。在多类公开动态基准数据集上，该方法在新视角合成指标与隐式网格提取精度上全面超越DG-Mesh、MaGS等主流4D重建算法，可为动态非刚性物体建模、时序一致三维重建方向提供新的技术方案。
论文题目：Disentangling Camera Motion and Scene Deformation in Pose-Free Dynamic 3D Gaussian Splatting
录用类型：ACM MM 2026, Main Track
作者：Bingbing Hu, Yan Li, Ziheng Hou, Zhihao Jia, Hongzhi Du, Junfeng Yao*
完成单位：厦门大学
论文简介：Pose-free 动态 3D Gaussian Splatting 面临一种典型的耦合解释歧义：在仅依赖光度监督的情况下，相机运动与非刚性形变会共同竞争对同一图像变化的解释权，导致原本应由刚性相机运动解释的变化被错误地吸收到形变场中。我们认为，这一问题并非主要源于模型表示能力不足，而更多源于弱几何偏置与强时间参数耦合共同导致的不稳定联合优化。为此，我们提出了一种新的 pose-free 动态 3DGS 框架。该框架首先引入刚性到可变形的课程学习策略解耦相机与变换场运动，以缓解训练早期相机运动与场景形变之间的解释歧义。具体而言，我们设计了一种几何一致的位姿演化策略，在缺乏预计算相机位姿的情况下，为刚体运动估计提供稳定约束，引导优化过程优先收敛到几何一致的刚性运动；随后利用正交时间表示建模残余非刚性动态，以降低时间系数之间的耦合程度。得益于上述设计，我们的方法有效抑制了轨迹抖动与形变泄漏，并在 NVIDIA Dynamic Scenes 基准的 pose-free 设置下取得了最先进的平均重建性能。
论文题目：Local Manifold Sensitivity and Regularization in Long-Tailed Recognition
录用类型：ACM MM 2026, Main Track
作者：Yanhao Chen+, Zhengyuan Pan+, Shuhao Hu, Junjie Jiao, XiaoChou Chen, Zhongquan Jian*, Qingqiang Wu*
完成单位：厦门大学
论文简介：长尾识别面临的不仅是数据分布不均衡，还存在学习表征空间中的严重结构挤压：尾部样本往往被嵌入到由头部类别样本密集占据、但自身局部支撑不足的邻域中。为诊断这种几何脆弱性，我们提出局部流形敏感度（Local Manifold Sensitivity，LMS），这是一种无需标签、可在线计算的度量。它根据局部结构支撑衡量语义差异，从而识别当前几何结构不足以维持健康决策边界的区域。基于这一诊断，我们进一步提出流形扩张正则化（Manifold Expansion Regularization，MER）。MER 是一种即插即用的正则器，通过以分离梯度的结构支撑倒数对语义散度项进行加权，使局部支撑较弱的区域获得更强的语义校正，并逐步扩张发生坍缩的局部流形。在 CIFAR-LT、ImageNet-LT 和 iNaturalist 上的实验表明，LMS 能够稳定揭示尾部类别的结构脆弱性，而 MER 可在多种长尾识别设置中带来显著性能提升。
论文题目：TANM: Temporal Aware Noise Modulation for Motion Editing
录用类型：ACM MM 2026, Main Track
作者：Wenhan Lv, Guanran Luo, Shaopan Wang, Xiangyu Wu, Tianchu Hang, Zhongquan Jian*, Qingqiang Wu*
完成单位：厦门大学，闽江大学，North Carolina Department of Health and Human Services （NC DHHS）
论文简介：高保真3D人类动作编辑仍然很难实现。目前基于扩散的方法由于复杂的非线性依赖，通常会出现时间和空间上的伪影。我们提出了时序感知噪声调制，这是一个将空间边界优化与时间噪声调度解耦的新框架。具体来说，我们引入了速度自适应高斯软掩码机制，它利用空间维度的速度动态来校准过渡区域的带宽，从而确保动态层面的编辑边界平滑。同时，我们提出了动态噪声衰减机制，在整个扩散过程中自适应地将生成自由度与结构保留解耦。TANM的时空调制减少了分布偏移。在数据集上的评估表明，它在多个核心指标上都有很好的表现。
论文题目：BioPro: Towards Difference-Aware Gender Fairness for Vision-Language Models
录用类型：ACM MM 2026, Main Track
作者：Yujie Lin+，Jiayao Ma+，Qingguo Hu，Wenbo Li，Genji Li，Derek F. Wong，Jinsong Su*
完成单位：厦门大学，澳门大学
论文简介：视觉语言模型在图像描述、文生图等多模态任务中取得了显著进展，但由于训练数据中普遍存在社会偏见，模型容易学习并放大性别刻板印象。例如，对于性别模糊的人物图像，模型可能会主动推断人物性别。现有去偏方法通常采用一刀切的策略，对所有样本统一消除性别信息，虽然能够降低模型偏见，却容易破坏本应保留的性别语义，导致模型在明确指定性别的场景下生成错误结果。针对上述问题，BioPro首次将差异性感知公平思想扩展到视觉语言模型领域，提出了一种无需重新训练模型的推理阶段去偏框架。该方法首先利用反事实样本构建低维性别变化子空间，通过正交投影去除表征中的偏置信息，并进一步设计选择性去偏机制，仅对性别不明确的样本实施去偏，而对于具有明确性别信息的样本则保留其真实语义，实现“该去偏时去偏，该保留时保留”的选择性公平。针对文生图任务，论文进一步提出闭式校准机制，在保持生成语义一致性的同时，有效平衡中性提示词下生成图像的性别分布。
