在真实场景中进行群体情绪识别（Group Emotion Recognition, GER）通常面临隐私保护与准确性的权衡。传统方法往往依赖个体层面的面部表情、视线或语音等线索，这容易引发对个人的监控和隐私泄露风险。近期一篇提交于arXiv的博士论文提出了一种全新的非个体方法，旨在通过集体音视频信号推断群体情绪，从而在保护隐私的同时实现有效的情绪识别。
该论文的核心创新在于完全避免使用个体特征作为输入，转而利用群体的集体行为信息。研究提出了两个互补的框架。第一个框架是交叉注意力多模态架构，专门用于音视频融合，并结合了帧注意力池化（Frames Attention Pooling, FAP）进行时间维度的信息聚合。为了增强模型在真实世界条件下的鲁棒性，该工作还采用了合成数据增强技术，并通过消融研究验证了各模块的有效性。实验表明，该架构在真实的群体情绪识别场景中表现稳健。
第二个框架名为变分编码器多解码器（Variational Encoder Multi-Decoder, VE-MD），它学习一个共享的潜在空间，同时完成情绪分类和结构表示预测（包括身体和面部线索）。该框架探索了两种解码策略：基于DETR的解码和基于热图的解码，并分析了这些结构表示在群体和个体设置下所扮演的角色。这一设计使得模型能够在不直接使用个体身份信息的情况下，理解群体中的结构关系。
论文的主要贡献有三点：第一，阐明了多模态和结构线索在群体级情感计算中的作用；第二，引入了两种用于隐私保护多模态群体情绪识别的架构；第三，证明了在不使用个体特征作为输入数据的情况下，仍然可以获得具有竞争力的性能。这些成果为隐私安全的群体情绪分析提供了新的思路，并有望应用于公共空间监测、智能环境交互等场景，同时降低对个人隐私的侵入性。
该论文是安德森·奥古斯马（Anderson Augusma）的博士论文，提交于2026年5月27日，属于计算机视觉与模式识别（cs.CV）以及人工智能（cs.AI）领域。全文可通过arXiv获取。