2025年10月27日至31日，第33届ACM国际多媒体大会（ACM International Conference on Multimedia，ACM MM 2025）在爱尔兰都柏林召开。ACM MM是CCF A类推荐的国际多媒体领域顶级会议，涵盖多媒体内容理解、生成等各专业领域，每年吸引全球科研院校与业界研究者参会交流。本次会议共录用1251篇论文，录用率为26.55%。

数字视频研究室博士生张智敏的论文“Behave Your Motion: Habit-preserved Cross-category Animal Motion Transfer”入选。张智敏同学就其研究成果进行口头报告，并与国际同行展开深入交流与讨论。

该研究聚焦跨物种动物动作迁移任务，提出了一种能够保持不同动物独特行为习性的动作迁移框架，从而有效改进现有方法中动作内容与生物特性难以兼顾的问题。方法通过引入类别特定的习性编码模块，使模型能够学习并保留不同动物在运动中的独特行为习惯，此外，还引入了大语言模型作为外部知识库，进一步拓展了模型在未见过类别上的通用性和可扩展性。

此外，多媒体信息处理研究室共有4篇论文入选，信息如下：

[1] Zhiwen Yang and Yuxin Peng*, "SPHERE: Semantic-PHysical Engaged REpresentation for 3D Semantic Scene Completion", The 33rd ACM International Conference on Multimedia (ACM MM), Dublin, Ireland, Oct. 27-31, 2025.

本论文针对语义场景补全 (Semantic Scene Completion, SSC) 中，单一表征方法难以兼顾精度和效率的问题，提出语义-物理联合表征三维占用预测 (Semantic-PHysical Engaged REpresentation, SPHERE) 方法。本方法主要包含两个阶段：（1）语义引导的高斯初始化，首先通过体素分支和三视图分支分别提取局部与全局语义特征，并根据两者的语义一致性筛选具有辨识性语义特征的关键锚点，引导高斯表征在关键区域的高效初始化；（2）物理感知的球谐增强，进一步将高斯语义表征投影到正交球谐空间，增强局部上下文几何结构信息建模，最后通过关键体素分布对齐促进语义-几何一致性，从而实现精度与效率兼顾的三维占用预测。

杨至文同学做报告展示

 [2] Zhu Xu, Zhaowen Wang, Yuxin Peng and Yang Liu*, "Customized Human Object Interaction Image Generation", The 33rd ACM International Conference on Multimedia (ACM MM), Dublin, Ireland, Oct. 27-31, 2025.

本论文针对定制化图像生成仅关注目标外观、缺乏交互语义控制的问题，提出定制化人类物体交互图像生成任务（CHOI），需要保持人类与物体的身份特征并精确控制其交互语义。首先为解决身份特征与交互语义难以解耦的挑战，本文构建了一个大规模CHOI数据集，包含多姿态的同一人物对交互样本，用于支持身份与交互特征的解耦学习。为实现交互语义和身份定制能力平衡，设计了两阶段模型Interact-Custom，通过生成前景交互掩码以显式建模人物空间关系，并在掩码引导下实现身份定制。

[3] Zijing Zhao, Zhu Xu, Qingchao Chen, Yuxin Peng and Yang Liu*, "Investigating Domain Gaps for Indoor 3D Object Detection", The 33rd ACM International Conference on Multimedia (ACM MM) Dataset Track, Dublin, Ireland, Oct. 27-31, 2025.

本文针对3D室内场景目标检测在跨域迁移中性能下降的问题，提出了两个大规模仿真数据集和一套3D室内场景域适应目标检测基准。具体贡献如下：（1）数据集：构建了两个10k规模的仿真数据集ProcTHOR-OD和ProcFront，通过多样化场景布局和物体实例缓解数据稀缺问题，支持域适应任务研究；（2）跨域基准：结合真实与仿真数据，构建了包括ScanNet、SUN RGB-D等在内的全面基准，分析不同因素对检测任务的影响；（3）基线模型：提出了包括少量样本微调、物体大小先验和无监督适应等域适应方法，为提升跨域适应能力奠定基础。

[4] Wentao Mo, Qingchao Chen, Yuxin Peng, Siyuan Huang and Yang Liu*, "Advancing 3D Scene Understanding with MV-ScanQA Multi-View Reasoning Evaluation and TripAlign Pre-training Dataset", The 33rd ACM International Conference on Multimedia (ACM MM) Dataset Track, Dublin, Ireland, Oct. 27-31, 2025.

本文针对现有三维视觉语言（3D-VL）学习中的数据集瓶颈，提出了多视角基准测试、对齐多物体的预训练数据集及基线模型，以推动多视角、深层次三维场景理解的发展。具体贡献如下：（1）多视角问答基准（MV-ScanQA）：构建了一个新数据集，有效测试多视角组合推理能力；（2）多物体对齐预训练语料库（TripAlign）：提出了一个大规模2D-3D-语言三模态数据集，包含100多万个<2D视图, 3D物体集, 文本>三元组，显式对齐文本与多物体，增强模型对复杂场景的理解；（3）基线模型（LEGO）：提出基线方法LEGO，结合预训练的二维视觉语言模型与TripAlign数据集，在MV-ScanQA等基准上取得最佳性能，验证了新数据集在提升三维视觉语言理解能力上的潜力。