2026年7月7日，IEEE International Conference on Multimedia and Expo 2026（ICME 2026）在泰国曼谷继续举行。当天会议议程涵盖 Keynote 报告、Oral Session、Special Session 等多个环节，报告内容涉及绿色数据中心、多媒体持续学习、遥感跨视角匹配、视频理解、变化检测视觉问答、航空轨迹预测、视频神经表示以及多模态医学评估等多个前沿方向。
Al and Digital Infrastructure for a Sustainable Future: A Tale of Twin Transition:讲者为来自南洋理工大学的 Yonggang Wen。报告围绕全球数据中心的低碳化发展展开，重点介绍了全球数据中心在未来减碳过程中的潜力与挑战。随着人工智能、大模型和云计算应用的快速发展，数据中心能耗与碳排放问题日益受到关注。报告从新加坡、东盟及全球范围出发，分析了数据中心碳足迹降低所带来的潜在影响，为人工智能基础设施的绿色发展提供了新的思考。
在 Oral Session 环节，多位研究者围绕多媒体智能分析与模型泛化能力展开报告。展示了不同数据集与任务设置下的实验设计，报告围绕模型在不同任务配置下的性能表现展开分析，为持续学习、领域泛化和多任务学习等方向提供了实验参考。
Special Session : Embodied Multimodal Intelligence: FromPerception to World Modeling :来自中山大学的研究者展示了面向无人机图像与卫星图像的跨视角匹配方法DINO-GFSA。报告中给出的整体框架结合 DINOv3-ViT-Large 与 LoRA 进行基础特征提取，并通过语义引导残差特征融合、基于 Mamba 的空间聚合模块以及余弦相似度计算实现跨视角图像匹配。该工作面向低空遥感与地面定位等实际场景，对无人机图像和卫星图像之间的语义关联建模具有一定参考价值。
Special Session：Major Challengs in real-world videos ：来自浙江大学的讲者围绕真实世界视频中的主要挑战进行了分析。报告指出，真实场景视频往往同时面临空间层面的视角变化、遮挡、人与物体交互，以及时间层面的长视频建模、复合活动识别和共现动作理解等问题。此外，真实世界视频还存在领域差异和长尾分布等学习难点。相关讨论体现了当前视频理解任务从受控场景走向复杂开放场景时所面临的关键挑战。
Special Session : Event-Driven and Multimodal Perceptionin Low-Altitude, Waterborne, and Ground Transportation :来自电子科技大学的讲者介绍了面向少样本变化检测视觉问答的强化微调方法。关注如何在样本有限的条件下提升模型对变化区域与视觉问题的理解能力。报告提出通过决策模糊性引导强化微调，为变化检测场景下的视觉问答任务提供了新的优化思路。
Special Session : Generative Al and Agents for MultimediaCoding, Processing, and Evaluation:来自中国科学院大学的讲者从视频信号的频率特性出发，介绍了面向视频数据的频率感知神经表示方法，探索了更有效的视频神经表示方式，为视频压缩、视频重建和动态场景建模等任务提供了新的研究视角。
Special Session : Structured Multimodal Intelligence:Unifying MLLMs, Structure, and Scientific Understanding ：来自武汉理工大学的讲者在多模态医学人工智能分析方向，面向半月板损伤评估下游任务，介绍了一个结构化多模态评测基准。该工作关注如何结合医学图像、文本信息和临床相关数据，对半月板损伤进行更全面的智能评估。该报告体现了多媒体技术在医学诊断辅助、结构化数据建模和多模态健康评估中的应用潜力。
