近日，第34届ACM国际多媒体大会（ACM International Conference on Multimedia，ACM MM 2026）论文录用结果揭晓，人工智能学院在跨模态2D–3D匹配与配准领域取得的2项研究成果被大会录用。两篇论文均以山东女子学院为第一署名单位，王崇简同学为第一作者，人工智能学院高俊杰博士为通讯作者。
ACM MM是计算机图形学与多媒体领域最具影响力的国际顶级学术会议之一，也是中国计算机学会（CCF）推荐A类国际学术会议，研究内容涵盖计算机视觉、图像与视频处理、多模态学习、语音与音频处理、虚拟现实与增强现实、人机交互等多个前沿方向。据会议相关信息，ACM MM 2026共收到7053篇论文投稿，近年来主会论文录用率约为25%。大会将于2026年11月10日至14日在巴西里约热内卢举办。
研究成果1：TeaMatch: Teachable Cross-Modal Representation Learning for 2D–3D Matching
针对现有2D–3D匹配方法在噪声干扰、低重叠和结构歧义等复杂条件下难以保持可靠对应关系的问题，该研究提出可教学跨模态表示学习框架TeaMatch，将“可教学性”引入跨模态表示学习，通过构建模拟不同退化情况的弱学生模型，引导教师模型学习结构一致性和鲁棒性更强的图像—点云表示，并结合对应关系约束与几何感知约束提升匹配可靠性。该框架能够直接集成到现有由粗到细的匹配流程中，无需增加额外推理开销。实验结果表明，TeaMatch有效提升了复杂条件下的匹配鲁棒性，并在多个具有挑战性的2D–3D匹配基准数据集上取得先进性能。
研究成果2：DMM-Align: Closed-Loop Optimization for 2D-3D Registration with Dual-Role Diffusion
针对低重叠、严重遮挡、重复结构和跨模态歧义条件下2D–3D配准性能下降的问题，该研究提出基于双重扩散机制的闭环优化框架DMM-Align，通过共享的可微几何状态，将特征学习、对应关系优化和位姿估计进行联合建模。一方面，利用几何感知扩散过程优化软匹配矩阵；另一方面，通过几何条件扩散教师将位姿产生的几何监督反馈至特征学习阶段，从而形成闭环优化机制。实验结果表明，DMM-Align在7-Scenes和RGB-D Scenes V2数据集上均取得优于现有代表性方法的性能，尤其在低重叠和严重遮挡条件下展现出更强的鲁棒性。
近年来，人工智能学院聚焦人工智能、计算机视觉、多模态学习和三维场景理解等前沿方向，持续加强科研团队建设和高水平成果培育，不断提升科研创新能力。此次2项研究成果被ACM MM 2026录用，体现了人工智能学院在跨模态智能感知与三维视觉领域取得的新进展，彰显了学院在人工智能前沿方向的科研创新实力，进一步提升了山东女子学院在相关研究领域的学术影响力。
