ACM MM 2026
PulseAugur coverage of ACM MM 2026 — every cluster mentioning ACM MM 2026 across labs, papers, and developer communities, ranked by signal.
-
小米MiLM Plus发布视频物体移除的PROVE基准
小米的MiLM Plus推出了PROVE，这是一个新的基准和指标集，旨在更有效地评估视频物体移除模型。PSNR和SSIM等传统指标在处理物体移除的固有不适定性方面存在困难，因为存在多种可能的输出。PROVE使用了两个新颖的指标：RC-S用于空间一致性，RC-T用于时间一致性，它们在深度特征空间内局部运行，并且不需要参考视频。该系统已被ACM MM 2026收录，并作为一个开源PyTorch存储库提供，旨在用于模型评估、CI门禁和数据过滤。
-
SEED 系统为 AI 生成的文本伪造提供可解释的检测
研究人员开发了 SEED 系统，该系统旨在检测和解释 AI 生成的文本伪造。该系统在 ACM MM 2026 的 GenText-Forensics 挑战赛中排名第三，它利用 Vision Transformer (ViT) 进行检测和定位，并辅以多模态大语言模型 (MLLM) 来生成全面的取证报告。SEED 系统包含一个相似性引导管道，用于通过合成伪造品增强训练数据，以及一个用于其报告生成 Harness 的迭代改进循环。
-
机器人空间表征失真而非物理知识阻碍通用性：新研究
中山大学和 X-Era AI Lab 的研究人员发现，机器人在新环境中操作失败的主要原因并非缺乏物理理解，而是空间表征不匹配。他们的工作发表在 CVPR 2026 和 ACM MM 2026 的论文中，表明当前的视觉-语言-动作 (VLA) 模型在通用性方面遇到的困难源于空间建模不准确，而非物理推理或动作控制的缺陷。通过引入仅需少量可学习参数的轻量级适配框架，如特征 Token 调制 (FTM) 和特征线性适配 (FLA)，该团队在各…