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。
CDPR：基于极化交叉模态扩散的可靠单目深度估计
专题命中 多模态生成 ：cross-modal(title,abstract)；multi-modal(abstract)；分类 cs.CV
AI总结 本文提出CDPR框架，通过融合RGB和极化图像信息提升单目深度估计鲁棒性，尤其在复杂场景中表现优异。
Comments preprint version of IEEE TMM 2026 Regular Paper
多模态扩散强迫用于强力操控
机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
专题命中 多模态生成 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.AI
AI总结 本文提出多模态扩散强迫框架，通过随机部分遮蔽和扩散模型重建轨迹，学习机器人多模态轨迹，提升对动作与力信号的依赖性，实验证明其在模拟和现实环境中的强性能和鲁棒性。
Comments Project website: https://unified-df.github.io
FlowBind: 任意到任意生成的高效方法
机构 * KAIST（韩国科学技术院）
专题命中 多模态生成 ：any-to-any(title,abstract)；cross-modal(abstract)
AI总结 本文提出FlowBind框架，通过共享潜在空间和双向流实现高效任意模态生成，减少数据和计算成本，实验显示生成质量与传统方法相当。
Comments ICLR 2026
伪统一：熵探测揭示统一多模态模型中分歧的信息模式
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 研究揭示统一多模态模型中伪统一现象的根源，通过信息论方法分析输入编码和输出生成，发现模态不对称编码和响应模式分裂是导致分歧的主要原因，强调信息流一致性对真实多模态协同的重要性。
动态摘要生成用于可解释的多模态抑郁症检测
机构 * College of Information Science and Engineering, Ritsumeikan University（立命馆大学信息科学与工程学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Faculty of Engineering, University of the Ryukyus（琉球大学工学部）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文提出一种粗到细的多阶段框架，利用大语言模型实现准确且可解释的多模态抑郁症检测，通过生成临床摘要指导多模态融合模块，提升诊断准确性和可解释性。
GoT-R1：通过强化学习提升MLLM的视觉生成推理能力
机构 * HKU MMLAB（香港大学多媒体实验室） ； CUHK MMLAB（香港中文大学多媒体实验室） ； Sensetime（商汤科技） ； Beihang University（北京航空航天大学） ； SUAT（上海人工智能实验室）
专题命中 多模态生成 ：MLLM(title)；分类 cs.CV、cs.CL、cs.AI
AI总结 GoT-R1通过强化学习提升视觉生成中的语义-空间推理能力，改进了复杂提示下的图像生成效果，实验表明在T2I-CompBench基准上表现优异。
Comments Github page refer to: https://github.com/gogoduan/GoT-R1. Published as a conference paper at ICLR 2026
主动扩散匹配：基于分数模型的跨模态视网膜图像迭代对齐
机构 * ASRI, Dept. of ECE, Seoul National University（首尔大学电子与计算机工程系ASRI） ； Dept. of Ophthalmology, Kangbuk Samsung Hospital, Sungkyunkwan University（成均馆大学三星首尔医院眼科） ； School of Electrical Engineering, Kookmin University（国民大学电气工程学院）
专题命中 多模态生成 ：cross-modal(title,abstract)；分类 cs.CV
AI总结 本文提出主动扩散匹配方法，通过迭代 Langevin 马尔可夫链联合估计全局和局部变换，实现视网膜图像的跨模态对齐，实验表明其在对齐精度上达到最先进的水平。
GIF：一种用于芯片布局中IR降成像的条件多模生成框架
机构 * University of Connecticut（康涅狄格大学） ； Tufts University（塔夫茨大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本文提出GIF框架，通过融合几何和拓扑信息生成高质量IR降图像，优于现有方法。
XD-MAP：通过语义参数地图实现跨模态领域适应以实现可扩展的训练数据生成
机构 * KIT Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； FZI Research Center for Information Technology（FZI信息技术研究中心）
专题命中 多模态生成 ：cross-modal(title)；分类 cs.CV、cs.AI
AI总结 本文提出XD-MAP，通过语义参数地图将图像数据集中的传感器特定知识转移到LiDAR领域，无需手动标注即可提升多模态领域适应性能。
Comments 10 pages, 7 figures, 3 tables, accepted at CVPRW
在大规模传感器模型时代的人工智能可穿戴技术
专题命中 多模态生成 ：multimodal(abstract)；multimodal foundation model(abstract)
AI总结 本文探讨了大规模传感器模型在可穿戴AI中的应用，提出通过整合多模态数据提升系统泛化能力，并讨论了无语言能力和有语言能力的两种模型方向。
Comments 18 pages
PRIX：从原始像素学习计划以实现端到端自动驾驶
机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； SCANIA（斯堪尼亚）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 PRIX通过使用仅需摄像头数据的端到端驾驶架构，无需BEV表示和LiDAR，直接从原始像素预测安全轨迹，实现了高效且实用的自动驾驶解决方案。
Comments Accepted for Robotics and Automation Letters (RA-L) and will be presented at iROS 2026
基于注意力的流匹配用于稀疏3D地质生成
机构 * Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出3D-GeoFlow框架，通过将离散类别生成转化为连续向量场回归，解决稀疏多模态地质建模中的非线性拓扑断点问题，实现稳定确定性最优传输路径。
LottieGPT：为自回归生成设计向量动画的标记化
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； AIR, Tsinghua University（清华大学人工智能研究院） ； BAAI（百度人工智能研究院） ； The Hong Kong Polytechnic University（香港理工大学） ； Nanjing University（南京大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳））
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出首个向量动画标记化与自回归生成框架，基于Lottie标准设计标记器并构建大规模数据集，通过微调Qwen-VL生成可编辑的向量动画。
Comments Accepted by CVPR 2026. Project Page: https://lottiegpt.github.io/
结构代理：一种人工智能分子编辑器
机构 * University of Toronto（多伦多大学） ； Acceleration Consortium（加速联盟） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高等研究院） ； NVIDIA（英伟达）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出El Agente Estructural，一种多模态、自然语言驱动的几何生成与操控代理，用于自主化学和分子建模。该代理通过整合领域知识工具和视觉语言模型，实现对分子结构的精确操控，无需重建核心分子框架。
扩散-CAM：面向dMLLMs的可信视觉解释
机构 * Department of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知系） ； Sun Yat-sen University（中山大学） ； Northwestern University（西北大学） ； Technion - Israel Institute of Technology（以色列理工学院）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出Diffusion-CAM，一种专为扩散多模态大语言模型设计的可解释性方法，通过可微探针获取中间表示，捕捉潜在特征及其类别梯度，解决空间模糊和图像内部混淆问题，提升定位准确性和视觉保真度。
Comments Accepted by ACL 2026 main conference
CSPO：缓解结构化表格到LaTeX生成中的奖励模糊性
机构 * Beijing Jiaotong University（北京交通大学） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出CSPO框架，通过分离LaTeX表格组件的优化，缓解奖励模糊性，提升结构化生成的可靠性。
Comments Accepted by ACL2026 (main conference)
Premier: 基于可学习用户嵌入的个性化偏好调节在文本到图像生成中
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Duxiaoman（度小满）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
AI总结 Premier通过可学习用户嵌入和偏好适配器实现个性化图像生成，引入分散损失提升用户偏好区分度，实验显示其在偏好对齐和文本一致性上表现更优。
粒子扩散匹配：用于标准和超宽场视网膜图像对齐的随机游走对应搜索
机构 * ASRI, Dept. of ECE, Seoul National University（首尔大学电气与计算机工程系ASRI） ； School of Electrical Engineering, Kookmin University（国民大学电气工程学院）
专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV
AI总结 本文提出了一种稳健的对齐技术，通过扩散模型引导的迭代随机游走对应搜索（RWCS）实现标准视网膜图像（SFIs）和超宽场视网膜图像（UWFIs）的对齐，解决了尺度、外观差异和特征稀少的问题，展示了在多个视网膜图像对齐基准上的最佳性能。
Rhizome OS-1：Rhizome的半自主操作系统用于小分子药物发现
机构 * Rhizome Research Inc.
专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.AI
AI总结 Rhizome OS-1通过多模态AI代理实现小分子药物发现的半自动化，结合计算化学、医药化学和专利代理功能，生成新颖分子并评估专利自由度，利用图扩散模型生成化学物质。
文本到图像模型及其对不同民族参与活动的人的表示
机构 * Prince Sattam bin Abdulaziz University（沙特王子萨塔姆·本·阿卜杜勒阿齐兹大学）
专题命中 多模态生成 ：image-text(abstract)；分类 cs.CV
AI总结 研究分析了DALL-E 3和Gemini 3 Pro Preview在生成日常活动图像时对206个民族的表示，发现传统服饰在某些活动中不适用，且与地区和收入组相关联。
解耦点扩散用于精确物体放置
机构 * Carnegie Mellon University（卡内基梅隆大学） ； ABB Inc.（ABB公司）
专题命中 多模态生成 ：multi-modal(abstract)
AI总结 本文提出TAX-DPD框架，通过解耦点扩散模型实现高精度物体放置，提升多模态覆盖与几何变化适应性。
X平台上的以色列-哈马斯战争：协调行动与信息完整性案例研究
专题命中 多模态生成 ：multimodal(abstract)
AI总结 本文通过分析2023年以色列-哈马斯战争期间的推文，研究协调行动与信息完整性之间的关系，发现协调行动主要依赖低复杂度策略，且信息完整性、毒性及情绪信号互不相关。
NeuroFlow：迈向从神经活动统一的视觉编码和解码
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Hong Kong（香港大学） ； Shenzhen Loop Area Institute（深圳河套学院） ； Tsinghua University（清华大学） ； Chinese University of Hong Kong（香港中文大学）
专题命中 多模态生成 ：cross-modal(abstract)
AI总结 NeuroFlow首次提出统一框架，通过单一流模型联合建模视觉和神经活动的编码解码，提升效率与一致性。
Comments Accepted to CVPR 2026. Project page: https://michaelmaiii.github.io/NeuroFlow-S
MMR-AD：一个大规模多模态数据集，用于基于多模态大语言模型的通用异常检测基准测试
机构 * School of Information Science and Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院） ； MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能研究院教育部人工智能重点实验室）
专题命中 多模态评测 ：multimodal(title,abstract)；MLLM(abstract)；image-text(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MMR-AD数据集，用于评估多模态大语言模型在通用异常检测中的性能，揭示当前SOTA模型与工业需求的差距，并提出基于推理的Anomaly-R1模型，实现了异常检测与定位的显著提升。
Comments Accepted by CVPR2026
从无人机图像到农学推理：一种多模态大语言模型基准用于植物表型分析
机构 * University of Memphis（孟菲斯大学） ； University of Missouri（密苏里大学） ； University of Arkansas Division of Agriculture（阿肯色大学农业分部） ； Mississippi State University（密西西比州立大学）
专题命中 多模态评测 ：multimodal(title,abstract)；multimodal foundation model(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 本文提出PlantXpert基准，用于大豆和棉花表型分析，评估多模态模型在农业领域的表现，发现任务特定微调显著提升准确率，但模型扩展和跨物种泛化仍面临挑战。
Comments In review
一种双交叉注意力图学习框架用于多模态MRI基于重大抑郁障碍检测
机构 * King Abdulaziz University（阿卜杜勒阿齐兹国王大学）
专题命中 多模态评测 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出双交叉注意力融合框架，通过建模结构性MRI与功能型MRI的双向交互，提升多模态MRI在重大抑郁障碍检测中的性能，实验显示其在多种脑图谱类型中表现优异。
Comments 19 pages, 1 figure
通过跨模态语义不一致性学习检测企业AI洗钱
机构 * School of Economics and Trade, Guangdong University of Finance（广东金融学院经济贸易学院） ； Department of Computer Science, Faculty of Science, Hong Kong Baptist University（香港浸会大学理学院计算机科学系）
专题命中 多模态评测 ：cross-modal(title,abstract)；multimodal(abstract,comments)；分类 cs.AI
AI总结 本文提出AWASH框架，通过跨模态主张-证据推理检测企业AI洗钱，利用AW-Bench基准测试，实现高准确率的AI能力识别。
Comments 28 pages, 6 figures, Journal Submission (Finance/Accounting & Computer Science Interdiscipline), 6 tables, 40 references, trimodal benchmark (88,412 firm-quarter observations) and end-to-end multimodal detection framework for corporate AI-washing
基于大语言模型的自动评估存在模型偏好偏差
机构 * Keio University（庆应义塾大学）
专题命中 多模态评测 ：MLLM(title,abstract)；multimodal(abstract)；分类 cs.CV
AI总结 本文研究了基于多模态大语言模型（MLLM）的自动评估方法中存在模型特定偏好偏差的问题，提出Philautia-Eval工具量化这种偏差，并通过实验发现模型间存在相互偏好偏差，最后引入Pomms模型组合方法有效缓解了偏差。
SCITUNE：对齐大型语言模型与人类整理的科学多模态指令
机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 SCITUNE通过多模态指令提升大语言模型在科学任务中的表现，优于现有模型并在ScienceQA基准上超越人类性能。
Comments In Proceedings of the 1st Workshop on NLP for Science, Association for Computational Linguistics
Journal ref Proc. 1st Workshop on Natural Language Processing for Science (NLP4Science 2024) (2024) 58-72
多模态Transformer中线性注意力的应用
机构 * University of Maryland（马里兰大学） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 多模态评测 ：multimodal(title,abstract)；分类 cs.CV；any-to-any(comments)
AI总结 本文研究了线性注意力在多模态框架中的应用，通过减少计算开销并保持性能，证明了线性注意力在多模态Transformer中的有效性。
Comments Workshop on Any-to-Any Multimodal Learning (Any2Any), CVPR 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