AI 大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
一张图片足矣：通过单张图片对视觉文档检索增强生成进行污染攻击
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； University College London（伦敦大学学院）
专题命中 跨模态检索 ：multi-modal(abstract)；分类 cs.CV、cs.CL
AI总结 本文研究了视觉文档检索增强生成（VD-RAG）对污染攻击的脆弱性，通过单张恶意图片实现针对性和通用性攻击，展示了VD-RAG在目标和通用设置下的漏洞，但在黑盒攻击下表现出一定的鲁棒性。
Comments Published in Transactions on Machine Learning Research (03/2026)
Journal ref Transactions on Machine Learning Research (TMLR), 2026
Riemannian和Symplectic几何用于层次化文本驱动的位置识别
专题命中 跨模态检索 ：cross-modal(abstract)；分类 cs.CV
AI总结 本文提出SympLoc框架，通过多级对齐策略提升文本到点云定位的鲁棒性，实验显示在KITTI360Pose数据集上Top-1召回率提升19%。
Comments 9 pages
Omni123：通过统一文本到2D和3D生成探索有限3D数据的3D原生基础模型
机构 * FNii-Shenzhen（FNii-深圳） ； SSE, CUHK(SZ)（香港中文大学（深圳）理工学院） ； Meshy AI
专题命中 多模态生成 ：multimodal(abstract)；cross-modal(abstract)；分类 cs.CV、cs.AI
AI总结 Omni123通过统一文本到2D和3D生成，利用文本-图像-3D的跨模态一致性作为隐式约束，提升3D生成的几何一致性与语义对齐。
OmniWeaving：迈向统一视频生成的自由组合与推理
机构 * Zhejiang University（浙江大学） ； Tencent Hunyuan（腾讯混元） ； Nanyang Technological University（南洋理工大学）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出OmniWeaving模型，通过大规模预训练数据学习多模态组合与推理能力，引入IntelligentVBench基准测试，展示其在开放源码统一视频生成中的领先性能。
Comments 32 pages, 22 figures. Project Page: https://omniweaving.github.io. Github: https://github.com/Tencent-Hunyuan/OmniWeaving. Model: https://huggingface.co/tencent/HY-OmniWeaving
使用nnU-Net进行MRI中前列腺的自动分割
机构 * Biomedical Imaging Research Group (GIBI230), Instituto de Investigación Sanitaria La Fe, Valencia, Spain（生物医学影像研究组（GIBI230），拉菲健康研究所，巴伦西亚，西班牙）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出基于nnU-Net的深度学习方法，利用多模态MRI数据实现前列腺自动分割，通过交叉验证和外部验证显示其高精度和泛化能力，优于通用工具。
Comments 9 pages, 2 tables, 1 figure
MM-ReCoder：通过强化学习和自我校正推进图表到代码生成
机构 * Brown University（布朗大学） ； Amazon AGI（亚马逊AGI）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI
AI总结 MM-ReCoder通过强化学习和自我校正机制提升图表到代码生成能力，其两阶段多轮自我校正策略基于Group Relative Policy Optimization，提升代码准确性和可执行性。
Comments CVPR 2026
EgoFlow：基于梯度的流匹配用于第一人称6自由度物体运动生成
机构 * TU München（慕尼黑工业大学） ； MCML（慕尼黑机器学习中心） ； ETH Zürich（苏黎世联邦理工学院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出EgoFlow，通过多模态第一人称观察生成物理合理的物体运动轨迹，结合Mamba-Transformer-Perceiver架构和梯度引导推理，提升运动生成的准确性和物理真实性。
Comments CVPR 2026: https://abhi-rf.github.io/egoflow/
IGLOSS：面向激光雷达开放词汇语义分割的图像生成
机构 * LIGM, Ecole des Ponts, Univ Gustave Eiffel, CNRS（LIGM, 巴黎高科桥梁学院, 古斯塔夫·埃菲尔大学, 法国国家科学研究中心）
专题命中 多模态生成 ：image-text(abstract)；分类 cs.CV
AI总结 本文提出一种新的方法，用于3D汽车激光雷达数据的零样本开放词汇语义分割。通过文本生成图像创建原型，利用2D视觉基础模型提取3D网络特征，实现点云标注，方法在nuScenes和SemanticKITTI上达到最新水平。
InTraGen：基于轨迹的视频生成用于物体交互
机构 * ETH Zurich（苏黎世联邦理工学院） ； Sun Yat-sen University（中山大学） ； Aalborg University（奥尔堡大学）
专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV
AI总结 本文提出InTraGen，通过引入四个新数据集和轨迹质量度量指标，改进多物体交互场景的轨迹引导视频生成，提升视觉真实性和定量性能。
AnchorVLA：基于锚定扩散的高效端到端移动操作
机构 * UQMM Lab, The University of Queensland（昆士兰大学UQMM实验室） ； Robotics and Autonomous Systems Group, CSIRO（CSIRO机器人与自主系统组）
专题命中 多模态生成 ：multimodal(abstract)
AI总结 本文提出AnchorVLA，一种基于扩散的VLA策略，通过锚定扩散头在局部去噪以保留多模态动作生成，减少推理成本并提高移动操作的稳定性和鲁棒性。
CRIT: 基于图的自动数据合成以增强跨模态多跳推理
机构 * Dept. of CSE, Korea University（高丽大学计算机科学与工程系） ； Google DeepMind（谷歌DeepMind）
专题命中 多模态评测 ：cross-modal(title,abstract)；multimodal(abstract)；image-text(abstract)；分类 cs.CL
AI总结 CRIT通过图基自动管道生成复杂跨模态推理任务，提升多跳推理能力，实验表明先进模型在该任务上表现欠佳，训练于CRIT的模型在SPIQA等基准上显著提升。
Comments Accepted to CVPR 2026
SURE：用于对话中多模态情绪识别的协同不确定性推理
机构 * Guangdong Provincial Key Laboratory of Quantum Engineering and Quantum Materials（广东省量子工程与量子材料重点实验室） ； School of Electronic Science and Engineering (School of Microelectronics), South China Normal University（华南师范大学电子科学与工程学院（微电子学院）） ； Shenzhen University（深圳大学） ； Columbia University（哥伦比亚大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CL
AI总结 SURE通过整合多模态信号并增强鲁棒性和上下文建模，改进了对话中情绪识别的不确定性处理和细粒度推理能力。
Comments ICASSP 2026
语义标注的多模态数据集用于射频解释与预测
机构 * National Institute of Standards and Technology (NIST)（美国国家标准与技术研究院） ； Prometheus Computing LLC（普罗米修斯计算有限责任公司）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文提出结合射频测量与视觉数据的多模态数据集，用于提升射频信号与物理环境的解释与预测能力。
Journal ref NeurIPS 2025 AI for Science Workshop
OmniUnet：一种多模态网络，用于使用RGB、深度和热成像的无结构地形分割在火星车上的应用
机构 * University of Luxembourg（卢森堡大学） ； Universidad de Málaga（马拉加大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.AI
AI总结 OmniUnet通过整合RGB、深度和热成像数据，实现无结构地形的高效分割，利用自定义传感器设备在西班牙Bardenas半沙漠收集数据，并在资源受限设备上验证了其性能。
Journal ref 2025 International Conference on Space Robotics (iSpaRo)
CogPic：一种通过图片描述任务进行早期认知障碍评估的多模态数据集
专题命中 多模态评测 ：multimodal(title,abstract)
AI总结 本文提出CogPic数据集，用于通过图片描述任务进行早期认知障碍评估，该数据集包含同步的音频、视觉和语言数据，由专家神经心理学家进行临床验证，为多模态研究提供了坚实基础。
Comments 10 pages, 3 figures, 5 tables
KARL：面向知识密集型视觉定位的知识感知推理与强化学习
机构 * University of Macau（澳门大学） ； Shandong University（山东大学） ； Northwestern Polytechnical University（西北工业大学） ； Tsinghua University（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 本文提出KARL框架，通过知识引导的推理数据和强化学习方法，提升模型在知识密集型视觉定位任务中的表现，实现跨领域泛化能力的提升。
在早期教育中的日常活动图像描述：基准和算法
机构 * School of Robotics, Beijing Union University（北京联合大学机器人学院） ； College of Computer and Cyber Security, Hebei Normal University（河北师范大学计算机与网络安全学院） ； Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所） ； National Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所模式识别国家重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences (UCAS)（中国科学院大学人工智能学院） ； PeopleAI, Inc.（人民人工智能公司） ； People Youhe Education Technology Co., Ltd.（人民优和教育科技有限公司）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ECAC基准和RSRS算法，通过专家标注和细粒度标签提升早期教育图像描述的专业性，实验显示KinderMM-Cap-3B在TTS上表现优异。
SHOE：语义HOI开放词汇评估度量
机构 * University of Mississippi（密西西比大学） ； National University of Singapore（新加坡国立大学） ； Independent Researcher（独立研究员） ； ASUS Intelligent Cloud Services (AICS)（华硕智能云服务（AICS））
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出SHOE评估框架，通过结合预测与真实HOI标签的语义相似性，改进开放词汇HOI检测的评估方法，实验表明其与人类判断一致率达85.73%。
Comments Accepted to GRAIL-V Workshop at CVPR 2026
一种基于FACS的解剖学对齐的面部行为描述范式用于细粒度面部行为合成
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 多模态评测 ：cross-modal(abstract)；分类 cs.CV、cs.MM
AI总结 本文提出基于FACS的面部行为合成新范式，通过解剖学驱动的自然语言控制信号，构建了首个大规模文本-图像配对数据集，并提出AAAD指标和VQ-AUFace框架，显著提升了合成效果。
调制与映射：用于3D异常检测的跨模态特征映射与跨视图调制
机构 * CVLab, University of Bologna（博洛尼亚大学CVLab） ； Ca’ Foscari University of Venice（威尼斯大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 ModMap提出一种多视图多模态框架，通过跨模态特征映射和视图依赖关系建模，实现3D异常检测与分割，采用跨视图训练策略提升异常评分。
Comments Accepted at CVPR Findings 2026
通过思维压缩实现高效的语言分段推理
机构 * Northwestern Polytechnical University, China（西北工业大学） ； Northwest Institute of Nuclear Technology, China（西北核技术研究所）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CV
AI总结 WISE通过压缩推理过程提升语言分段性能，采用自蒸馏目标确保简洁总结与详细解释的语义一致性，实验显示其在ReasonSeg基准上达到58.3 cIoU，推理长度减少近5倍。
开放领域安全政策构建
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Taboola
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.CL
AI总结 本文提出Deep Policy Research（DPR），通过仅使用人类撰写的种子领域信息，构建完整的内容审核政策。DPR利用单一网络搜索工具和轻量级框架，迭代提出搜索查询，提炼多样化网络资源为政策规则，并将规则组织成索引文档。
Comments EACL 2026 (Findings)
通过融合大气-海洋-地形数据提升异常偏转热带气旋集合预报
机构 * School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院） ； School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Center for Ocean Mega-Science, Chinese Academy of Sciences（中国科学院海洋大科学研究中心）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出AOT-TCs多源多模态数据集及首个融合大气-海洋-地形耦合架构的预报模型，显著提升正常和异常偏转热带气旋的预报精度。
MIRAGE：视觉理解的幻觉
机构 * Stanford University（斯坦福大学）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 研究揭示多模态AI系统在视觉-语言推理中的漏洞，指出模型能生成未提供图像的详细描述及推理，挑战现有假设，提出B-Clean作为公平评估方案。
UniMark：人工智能生成内容识别工具包
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Shandong University（山东大学） ； Shanghai Information Security Testing Evaluation and Certification Center（上海市信息安全测评认证中心）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 UniMark通过统一框架和双操作策略，解决AI生成内容识别的碎片化问题，支持隐水印和可见标记，提供标准化评估框架以提升内容治理透明度和安全性。
Comments 5 Pages
AssetOpsBench：工业资产运维任务自动化AI代理的基准测试
机构 * IBM ； University of South Carolina（南卡罗来纳大学） ； IBM Research（IBM研究院）
专题命中 多模态评测 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出AssetOpsBench，一个统一框架，用于协调和评估工业4.0中的领域专用代理。该框架包含四个领域代理目录、140+人工撰写的自然语言查询数据集及模拟的CouchDB后端物联网环境，通过三个关键指标分析工具-代理与计划-执行者范式的架构权衡，并系统化发现新兴故障模式。
Comments 25 pages, 18 figures
LatentUM：通过潜在空间统一模型释放交错跨模态推理的潜力
机构 * Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学）
专题命中 多模态Agent ：cross-modal(title,abstract)；分类 cs.CV
AI总结 本文提出LatentUM，通过共享语义潜在空间实现跨模态推理与生成，提升计算效率并减少编码器偏差，取得视觉空间规划基准的最优性能。
Omni-SimpleMem：自主研究引导的终身多模态代理记忆发现
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California Berkeley（加州大学伯克利分校） ； Cisco（思科）
专题命中 多模态Agent ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文提出Omni-SimpleMem，通过自主研究流程发现多模态记忆框架，提升AI代理的长期记忆能力，其核心贡献在于通过自动实验发现架构改进、数据管道修复等关键突破，超越传统AutoML。
AffordTissue: 密集的工具-动作特定组织交互 affordance 预测
机构 * Johns Hopkins University（约翰霍普金斯大学）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出AffordTissue框架，通过多模态方法预测手术中工具-动作特定的组织affordance区域，改进了视觉语言模型在密集手术affordance预测中的表现，为安全手术自动化提供空间推理。
交通碰撞分析的高级辅助：一种基于AI的多智能体方法用于碰撞前重建
机构 * Industrial and Manufacturing Systems Engineering Department, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校工业与制造系统工程系） ； University of Michigan Transportation Research Institute（密歇根大学交通研究所） ； Toyota Motor Engineering & Manufacturing North America, Inc.（丰田汽车工程与制造北美公司）
专题命中 多模态Agent ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出了一种基于AI的多智能体框架，通过多模态输入生成碰撞前场景重建，并结合事件数据记录器信号识别碰撞车辆，验证了该框架在碰撞前行为推断中的高准确率。
Comments 36 pages, 14 figures
Journal ref SAE International Journal of Transportation Safety, 14(1), 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈