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。
紧凑的潜在流形翻译：一种参数高效的基础模型用于跨模态和跨频率生理信号合成
机构 * Department of Biomedical Signals and Systems（生物医学信号与系统系） ； University of Twente（埃因霍温理工大学）
专题命中 视频多模态 ：cross-modal(title,abstract)；multi-modal(abstract)；分类 cs.AI
AI总结 本文提出CLMT模型，通过双阶段离散翻译范式解决生理信号跨模态和跨频率合成问题，显著提升临床检测精度和超分辨率性能。
通过语义对齐的离散表示实现跨模态领域泛化
机构 * Peter L. Reichertz Institute for Medical Informatics（汉诺威医学院彼得·L·里赫茨医学信息学研究所） ； Lower Saxony Center for AI and Causal Methods in Medicine (CAIMed)（下萨克森医学人工智能与因果方法中心（CAIMed））
专题命中 视频多模态 ：cross-modal(title,abstract)；multimodal(abstract)；分类 cs.CV
AI总结 本文提出CoDAAR框架，通过语义对齐解决跨模态泛化与模态特异性之间的平衡问题，结合离散时间对齐和语义对齐机制，在统一离散空间中实现通用跨模态表示。
Comments Added missing affiliation for co-author R. Younis and Z. Ahmadi
学习你需要看到的东西：多模态大语言模型的注视注意力
机构 * NAVER AI Lab（NAVER AI实验室）
专题命中 视频多模态 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本文提出Gaze Attention机制，使多模态大语言模型在生成过程中选择性关注任务相关的视觉区域，减少冗余计算并提升聚焦效果，实验表明其在图像和视频理解任务中性能优于密集注意力基线。
探索多模态大语言模型用于边缘端在线事件记忆问答
机构 * Department of Mathematics and Computer Science, University of Catania, Italy（数学与计算机科学系，卡塔尼亚大学，意大利）
专题命中 视频多模态 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本文研究多模态大语言模型在边缘端实时在线事件记忆问答中的可行性，通过双线程架构实现视频转文本记忆与问答推理，实验显示边缘端方案在隐私保护方面具有竞争力。
基于多模态图的食管动力障碍分类
机构 * Technical University of Munich, School of Medicine and Health, TUM University Hospital Rechts der Isar（慕尼黑技术大学医学院与健康学院，TUM医院Rechts der Isar分院） ； Technical University of Munich, School of Computation, Information and Technology（慕尼黑技术大学计算、信息与技术学院）
专题命中 视频多模态 ：multimodal(title,abstract)
AI总结 本文提出结合高分辨率阻抗测压仪数据与患者信息的多模态图分类方法，通过图神经网络学习生理意义的表示，提升食管动力障碍分类的准确性。
GraphThinker: 通过事件图思维强化时间感知的视频推理
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Samsung AI Centre Cambridge（剑桥三星人工智能中心） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Nanyang Technological University（南洋理工大学）
专题命中 视频多模态 ：MLLM(abstract,abstract_cn)；multimodal(abstract)；分类 cs.CV
AI总结 本文提出GraphThinker，通过构建结构化事件表示并强化视觉 grounding，减少视频推理中的时间幻觉。在RexTime和VidHalluc数据集上取得显著提升。
Comments Under review
多模态世界模型用于物理机器人交互：同时进行视觉和触觉预测以提高准确性
机构 * University of Lincoln（林肯大学） ； University of Sheffield（谢菲尔德大学）
专题命中 视频多模态 ：multi-modal(title)；分类 cs.CV、cs.AI
AI总结 本文提出多模态世界模型，通过整合视觉和触觉信息提升机器人物理交互的预测精度，特别是在物理模糊场景中表现更优。
Comments This paper is accepted for publication in Robotics and Autonomous Systems
ReTool-Video：具有元增强工具定位的递归工具使用视频代理
机构 * Chongqing University（重庆大学） ； Tianjin University（天津大学） ； MAIS, Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院MAIS） ； Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR), Singapore（新加坡科技研究局高性能计算研究所） ； Chongqing National Data AI Research Institute, AI Research Lab（重庆国家数据AI研究院，AI研究实验室）
专题命中 视频多模态 ：multimodal(abstract)；cross-modal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出ReTool-Video，通过构建元增强视频工具库和递归工具使用方法，提升视频理解的稳定性和效果，实验表明其在多个基准测试中优于现有方法。
VideoSEAL: 通过解耦答案权威性来缓解代理长视频理解中的证据错位
机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡）
专题命中 视频多模态 ：MLLM(abstract,abstract_cn)；分类 cs.CV、cs.AI
AI总结 本文提出VideoSEAL框架，通过解耦规划与答案权威性，解决长视频理解中证据错位问题，提升回答准确性和证据对齐度，实验结果显示在多个基准上表现优异。
Comments Accepted to ICML 2026. 33 pages, 13 figures. Code and models are available at https://github.com/Echochef/VideoSEAL
StreamGaze：流媒体视频中的目光引导时间推理与前瞻性理解
机构 * University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校） ； Adobe Research（Adobe研究院）
专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 StreamGaze通过引入目光引导的任务评估多模态大语言模型在流媒体视频中的时间推理和前瞻性理解能力，揭示了现有模型在目光引导下的时间推理、意图建模和前瞻性预测方面的局限性。
Comments Accepted to CVPR 2026 with strong scores (5/5/5) but desk-rejected after the camera-ready due to not completing all reviewing duties
宽视角闭合：多模态大语言模型中的表征-行动鸿沟
机构 * Nanyang Technological University（南洋理工大学） ； LMMs-Lab Team（多模态大模型实验室团队） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CL、cs.AI
AI总结 研究发现多模态大语言模型在感知与行动之间存在鸿沟，通过IMAVB基准测试揭示模型在处理冲突信息时的不足，提出PGLA方法提升拒绝行为。
STAR：语义-时间自适应表示学习用于少样本动作识别
机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； Engineering Research Center of Key Software Technologies for Smart City Perception and Planning, Ministry of Education（教育部智能城市感知与规划关键软件技术工程研究中心）
专题命中 视频多模态 ：cross-modal(abstract)；分类 cs.CV、cs.AI
AI总结 STAR通过语义对齐和时间感知模块，解决少样本动作识别中的语义-时间对齐和多尺度时间动态建模问题，提升模型在有限样本下的泛化能力。
Comments Accepted for publication in IEEE Transactions on Circuits and Systems for Video Technology (TCSVT)
视频异常检测是否被错误地框架化？来自基于大语言模型和多场景模型的证据
机构 * University of South Florida（佛罗里达州立大学） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
专题命中 视频多模态 ：multi-modal(abstract)；分类 cs.CV
AI总结 本文探讨视频异常检测是否应关注单场景、空间感知和可解释性，以捕捉环境中的正常结构，而非依赖多场景模型。
统一自主栈：迈向通用机器人自主性的蓝图
机构 * Autonomous Robots Lab（自主机器人实验室）
专题命中 视频多模态 ：multi-modal(abstract)
AI总结 本文提出统一自主栈，通过多模态感知、多行为规划和多层安全导航模块实现通用机器人自主性，经实地测试验证其在复杂环境中的鲁棒性。
Comments 35 pages, 22 figures, 8 tables
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