多模态大模型

Physics-constrained symbolic regression for discovering closed-form equations of multimodal water retention curves from experimental data

具有物理约束的符号回归用于从实验数据中发现多模水 retention 曲线的闭式方程

Yejin Kim, Hyoung Suk Suh

专题命中 其他多模态 ：multimodal(title,abstract)；分类 cs.AI

AI总结 本文提出了一种受物理约束的机器学习框架，通过符号回归自动从实验数据中发现多模水保留曲线的闭式方程，提升多孔材料水保留特性的建模能力。

Towards Generalized Multimodal Homography Estimation

面向通用多模态透视图估计

Jinkun You, Jiaxin Cheng, Jie Zhang, Yicong Zhou

机构 * Department of Computer and Information Science, University of Macau（计算机与信息科学系，澳门大学） 纠错

专题命中 其他多模态 ：multimodal(title)；分类 cs.CV、cs.AI

AI总结 本文提出了一种训练数据合成方法和改进网络，用于提升多模态透视图估计的泛化能力和精度。

Discriminative Perception via Anchored Description for Reasoning Segmentation

通过锚定描述实现的判别感知用于推理分割

Tao Yang, Qing Zhou, Yanliang Li, Qi Wang

机构 * Northwestern Polytechnical University（西北工业大学） 纠错

专题命中 其他多模态 ：multimodal(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出DPAD方法，通过生成描述性标题来增强推理分割的判别能力，提升推理链的聚焦性和效率。

Comments Accepted by CVPR 2026

Phi-4-reasoning-vision-15B Technical Report

Phi-4-reasoning-vision-15B 技术报告

Jyoti Aneja, Michael Harrison, Neel Joshi, Tyler LaBonte, John Langford, Eduardo Salinas

机构 * Microsoft Research（微软研究院） 纠错

专题命中 其他多模态 ：multimodal(abstract)；分类 cs.CV、cs.AI

AI总结 Phi-4-reasoning-vision-15B 是一个紧凑型开放式权重多模态推理模型，通过系统数据处理和架构优化，在减少计算资源的同时实现高效推理性能。

Spectrum Shortage for Radio Sensing? Leveraging Ambient 5G Signals for Human Activity Detection

无线电感知短缺？利用环境5G信号进行人体活动检测

Kunzhe Song, Maxime Zingraff, Huacheng Zeng

机构 * Department of Computer Science and Engineering, Michigan State University, USA（计算机科学与工程系，密歇根州立大学） 纠错

专题命中 其他多模态 ：cross-modal(abstract)；分类 cs.CV

AI总结 本文提出环境无线电感知（ARS）方法，利用现有无线系统信号解决频谱短缺问题，通过跨模态学习框架实现人体活动识别，展示了准确的骨骼估计和遮挡分割应用。

Steady State Distribution and Stability Analysis of Random Differential Equations with Uncertainties and Superpositions: Application to a Predator Prey Model

具有不确定性和叠加的随机微分方程的稳态分布与稳定性分析：应用于捕食者-猎物模型

Wolfgang Hoegele

专题命中 其他多模态 ：multi-modal(abstract)

AI总结 本文提出了一种计算框架，用于分析具有不确定性和叠加的随机微分方程的稳态分布与稳定性，应用于捕食者-猎物模型。

Controllable Generative Sandbox for Causal Inference

可控制的生成沙盒用于因果推断

Qi Zhang, Harsh Parikh, Ashley Naimi, Razieh Nabi, Christopher Kim, Timothy Lash

机构 * Emory University（埃默里大学） ； Yale University（耶鲁大学） ； Amgen（安进公司） 纠错

专题命中 其他多模态 ：multimodal(abstract)

AI总结 CausalMix是一种结合高斯潜在先验与数据类型特定解码器的变分生成框架，通过显式因果控制实现对因果机制的可控生成，适用于混合类型表格数据的高保真模拟及因果推断研究。

Comments 34 pages, 15 figures. Submitted to ICML 2026. Code available at https://github.com/zhangqiecho/causalmix