第19届ECCV欧洲计算机视觉大会 (The 19th European Conference on Computer Vision

(ECCV2026)) 论文录用结果近日揭晓，IDC实验室2024级硕士生吕亚哲同学与2023级硕士生庄子健同学的论文被大会录用。

吕亚哲同学的论文在邹逸雄等老师的指导下完成，论文的题目是Rethinking Attention Reallocation for Multimodal Emotion Recognition。该论文研究了多模态大语言模型在多模态情感识别任务中的注意力分配问题。论文发现，现有广泛采用的将注意力从生成token重新分配至模态token的策略，仅在双模态场景下有效，而在三模态场景中反而会导致性能下降。针对这一矛盾现象，论文进一步发现，随着模态数量增加，复杂的跨模态交互会使模型难以准确关注信息量更高的token，尤其在深层中容易产生注意力错配与模态纠缠。基于这一观察，论文提出一种免训练、即插即用的浅层引导注意力校正方法，通过利用浅层结构化注意力对深层注意力进行约束，在不引入额外参数、不修改模型结构的情况下有效缓解错误注意力分配。实验表明，该方法能够有效提升多模态情感识别任务中的推理性能，在多模态情感识别基准上取得了新的最优性能。

论文信息如下：

Yazhe Lyu, Yixiong Zou, Jinghan Hu, Yuhua Li, Ruixuan Li; Rethinking Attention Reallocation for Multimodal Emotion Recognition, European Conference on Computer Vision (ECCV 2026), Malmö, Sweden, September 8 – 12th, 2026

庄子健同学的论文在邹逸雄等老师的指导下完成，论文的题目是Free-Lunch Augmentation by Revisiting Diffusion-Based Data Generation for Cross-Domain Few-Shot Object Detectionn。

该研究围绕跨域少样本目标检测（CDFSOD）中的数据稀缺问题展开。针对直接使用扩散模型合成数据时因视觉与语义双重域差距导致生成质量不佳、甚至性能下降的问题，论文提出了一种选择性修复与定制噪声方法 SITN。该方法从视觉差距和语义差距两个层面分别应对：在视觉层面，通过减弱扩散过程中的噪声强度，保留目标域图像的关键信息；在语义层面，利用背景跨域共享特性，采用背景修复策略规避未知前景类别生成难题，并引入动态选择模块筛选高质量生成样本。实验结果表明，SITN 在 6 个 CDFSOD 数据集和 4 个跨域少样本分割数据集上均取得新最优性能，验证了其在不同跨域少样本任务中的有效性与通用性。

论文信息如下：

Zijian Zhuang, Yixiong Zou, Yuhua Li, Ruixuan Li; Free-Lunch Augmentation by Revisiting Diffusion-Based Data Generation for Cross-Domain Few-Shot Object Detectionn, European Conference on Computer Vision (ECCV 2026), Malmö, Sweden, September 8 – 12th, 2026

ECCV（European Conference on Computer Vision）是计算机视觉领域的著名国际学术会议，与 CVPR、ICCV 并称为计算机视觉三大顶级会议。ECCV 是中国计算机学会（CCF）推荐的 B 类国际学术会议，在计算机视觉和人工智能领域具有重要学术影响力。

让我们对吕亚哲同学与庄子健同学论文的录用表示热烈祝贺！