ICME 2026 - Day 5
2026年7月9日，IEEE International Conference on Multimedia and Expo 2026（ICME 2026）在泰国曼谷继续举行。当天会议内容涵盖 Grand Challenge、Tutorial 与 Workshop 等多种形式，聚焦文本生成音乐、生成式人工智能评测、低层视觉生成与质量评价、人工智能艺术创作以及具身多媒体等前沿方向。参会师生围绕多个专题报告进行了学习交流，进一步了解了多媒体领域在生成式人工智能、跨模态理解、偏好优化和智能内容创作方面的最新研究进展。
Grand Challenge : Academic Text-to-Music Generation(ATTM)：论坛主席为 Yi-Hsuan Yang。该专题围绕学术场景下的文本生成音乐任务展开，重点关注数据集构建、基线方法设计和评价指标体系。随着文本到音乐生成模型的快速发展，如何客观评价生成音乐与文本提示之间的匹配程度、音乐质量以及人类偏好一致性，成为该方向的重要问题。
在相关报告中，讲者介绍了 Academic Text-to-Music Grand Challenge: Datasets, Baselines, and Evaluation Methods，并展示了面向文本生成音乐任务的奖励模型 TuneJury。该模型旨在根据文本提示和音频片段预测人类偏好分数，为文本生成音乐系统提供实例级、成对比较形式的评价方式。报告内容体现了音乐生成任务从“能生成”向“可评价、可比较、可优化”发展的趋势。
Tutorial : Generative AI Benchmark and Evaluation：讲者为来自上海人工智能实验室的 Zicheng Zhang。该教程围绕生成式人工智能的基准测试与系统评价展开，内容涵盖文本、图像、视频、三维资产等多种生成内容类型。随着生成式人工智能模型能力快速提升，如何建立可信、全面、可复现的评价体系，已经成为学术界和产业界共同关注的问题。
报告中，讲者介绍了大模型评测体系的发展现状，并结合团队在多模态大模型评价、AI for Science、安全可信、具身智能和 AI 计算系统等方向的工作，展示了生成式人工智能评测从单一指标走向综合能力评估的发展趋势。该专题为理解当前生成式模型评价方法和未来评测体系建设提供了重要参考。
Tutorial : Generative Low-Level Visual Signal Processing and Quality Assessment with Preference Optimization：讲者为Zicheng Zhang。该教程关注生成式人工智能背景下的低层视觉信号处理与质量评价问题，内容涉及图像复原、视觉质量评估、偏好建模以及基于人类反馈的优化方法。随着扩散模型、大型生成式基础模型等技术的发展，低层视觉任务逐渐从传统像素级恢复走向感知质量与用户偏好共同驱动的新阶段。
在现场报告中，讲者围绕偏好优化方法进行了讲解，并以 PPO 等强化学习方法为例，介绍了从人类偏好、奖励模型到策略优化的技术路径。该专题展示了偏好优化在生成式视觉任务中的应用潜力，为图像增强、质量评价和生成结果优化提供了新的思路。
Workshop：Artificial Intelligence for Art Creation ：讲者为 Ambarish Natu。该专题聚焦人工智能在艺术创作、文化遗产分析和视觉内容生成中的应用。其中，报告 “Zero-Shot Captioning for Cultural Heritage: Automated Image Analysis of Traditional Indonesian Clothing” 介绍了面向印度尼西亚传统服饰图像的自动化分析方法。
Workshop : Embodied Multimedia: When Multimodal Signal Processing Meets Embodied Intelligence：讲者为 Wei Zhou。该专题关注多模态信号处理与具身智能的结合，内容涵盖视觉语言导航、跨模态图表示、语音与视觉交互、具身智能评估等方向。随着人工智能系统逐渐从静态内容理解走向动态环境交互，具身多媒体成为连接感知、理解、生成与行动的重要研究方向。
在相关报告中，讲者展示了面向人机交互场景的生成结果，包括 Talking Head Generation 和 Listening Head Generation 等内容。该类研究关注如何生成更加自然、可信的虚拟人物表达与交互行为，为数字人、智能助手、远程会议和具身交互系统提供技术支撑。同时，专题中关于视觉语言导航的报告也强调了智能体在真实环境中理解语言指令、感知视觉场景并进行决策的重要性。