DeepLIT课题组1篇论文被 ACM MM 2026 录用

  近日，国际计算机图形学与多媒体领域顶级学术会议 ACM International Conference on Multimedia (ACM MM 2026) 公布论文录用结果，课题组 1 篇论文被大会主会正式录用。 ACM MM 是国际多媒体、计算机图形学、计算机视觉与人工智能领域最具影响力的学术会议之一，同时也是中国计算机学会（CCF）推荐的 A 类国际学术会议。近年来，会议投稿规模持续攀升，竞争日趋激烈。根据大会官方公布的数据，ACM MM 2026 共收到来自全球的 7053 篇论文投稿，录用论文聚焦计算机图形学、多媒体智能、生成式人工智能、跨模态学习等多个国际前沿研究方向，集中展示了该领域最新的研究成果与技术进展。

• 论文标题：BioPro: Towards Difference-Aware Gender Fairness for Vision-Language Models
• 录用类型：ACM MM 2026, Main Track
• 论文作者：Yujie Lin+，Jiayao Ma+，Qingguo Hu，Wenbo Li，Genji Li，Derek F. Wong，Jinsong Su*
• 完成单位：厦门大学，澳门大学

  

• 论文简介：视觉语言模型在图像描述、文生图等多模态任务中取得了显著进展，但由于训练数据中普遍存在社会偏见，模型容易学习并放大性别刻板印象。例如，对于性别模糊的人物图像，模型可能会主动推断人物性别。现有去偏方法通常采用一刀切的策略，对所有样本统一消除性别信息，虽然能够降低模型偏见，却容易破坏本应保留的性别语义，导致模型在明确指定性别的场景下生成错误结果。针对上述问题，BioPro首次将差异性感知公平思想扩展到视觉语言模型领域，提出了一种无需重新训练模型的推理阶段去偏框架。该方法首先利用反事实样本构建低维性别变化子空间，通过正交投影去除表征中的偏置信息，并进一步设计选择性去偏机制，仅对性别不明确的样本实施去偏，而对于具有明确性别信息的样本则保留其真实语义，实现“该去偏时去偏，该保留时保留”的选择性公平。针对文生图任务，论文进一步提出闭式校准机制，在保持生成语义一致性的同时，有效平衡中性提示词下生成图像的性别分布。