Deep But Reliable: Advancing Multi-turn Reasoning for Thinking with Images
深度但可靠：提升图像思考的多轮推理
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 DRIM通过多阶段流程提升图像思考的多轮推理能力，通过冗余惩罚策略优化实现自我反思的推理模式，从而在视觉理解任务中取得优越表现。
AI 大模型
多模态大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
1. 图文多模态 4651 篇
ProCLIP: Progressive Vision-Language Alignment via LLM-based Embedder
通过基于大语言模型的嵌入器实现渐进式视觉-语言对齐的ProCLIP
机构 * Shanghai Jiao Tong University（上海交通大学） ； Beijing Institute of Technology（北京理工大学） ； DeepGlint（深图科技） ； Beijing University of Technology（北京工业大学） ； Tsinghua University（清华大学）
专题命中 图文多模态 ：image-text(abstract)；分类 cs.CV
AI总结 ProCLIP通过课程学习逐步对齐CLIP图像编码器与基于大语言模型的嵌入器，提升长文本处理和多语言理解能力。
Comments 17 pages, 5 fiugres
Semantic Anchor Transport: Robust Test-Time Adaptation for Vision-Language Models
语义锚点传输：面向视觉-语言模型的鲁棒性测试时间适应
机构 * LIVIA, ÉTS Montréal, Canada（LIVIA，蒙特利尔ÉTS，加拿大） ； International Laboratory on Learning Systems (ILLS), McGILL - ETS - MILA - CNRS - Université Paris-Saclay - CentraleSupélec, Canada（学习系统国际实验室（ILLS），麦吉尔大学-ÉTS-MILA-CNRS-巴黎-萨克雷大学-中央超导大学，加拿大）
专题命中 图文多模态 ：cross-modal(abstract)；分类 cs.CV
AI总结 语义锚点传输通过生成伪标签和多模板蒸馏方法，提升视觉-语言模型在分布偏移下的鲁棒性与计算效率。
Comments Added additional figures to communicate the algorithm
How Much Data Is Enough? Uniform Convergence Bounds for Generative & Vision-Language Models under Low-Dimensional Structure
需要多少数据？在低维结构下生成式与视觉-语言模型的统一收敛界限
机构 * Stevens Institute for Neuroimaging and Informatics, University of Southern California（神经影像与信息学研究所，南加州大学）
专题命中 图文多模态 ：image-text(abstract)；分类 cs.AI
AI总结 研究在低维结构下生成式和视觉-语言模型的统一收敛界限，探讨数据量与模型校准之间的关系。
Comments 13 pages, 2 figures
Scaling Laws for Energy Efficiency of Local LLMs
本地大语言模型和视觉-语言模型的扩展定律
机构 * Multiverse Computing ； Donostia International Physics Center ； Ikerbasque Foundation for Science ； Multiverse Computing, Centre for Social Innovation
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.AI
AI总结 研究揭示了本地大语言模型和视觉-语言模型在中央处理单元上的计算扩展定律，并展示了量子启发压缩在降低能耗和资源消耗方面的效果。
UniPercept: Towards Unified Perceptual-Level Image Understanding across Aesthetics, Quality, Structure, and Texture
UniPercept：迈向跨美学、质量、结构和纹理的统一感知级图像理解
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Sun Yat-sen University（中山大学） ； Tele-AI Website（Tele-AI网站）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 UniPercept通过领域自适应预训练和任务对齐强化学习，实现跨美学、质量、结构和纹理的统一感知级图像理解，优于现有多模态大语言模型。
Comments 27 pages, 14 figures, 17 tables
VisRes Bench: On Evaluating the Visual Reasoning Capabilities of VLMs
VisRes Bench: 关于评估视觉语言模型的视觉推理能力
机构 * Technology Innovation Institute, Abu Dhabi, UAE（阿布扎比技术创新研究所） ； Tuebingen AI Center/University of Tuebingen（图宾根人工智能中心/图宾根大学）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 VisRes Bench通过三个层次评估VLMs的视觉推理能力，揭示其在复杂任务中的局限性，并为多模态研究提供统一框架。
Input-Adaptive Visual Preprocessing for Efficient Fast Vision-Language Model Inference
面向高效视觉语言模型推理的输入自适应视觉预处理
机构 * Faculty of Computer Science, University of Brawijaya（计算机科学学院，布拉维亚大学）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 本研究提出一种自适应视觉预处理方法，通过动态调整输入分辨率和空间覆盖，显著提升视觉语言模型的推理效率。
Steering Vision-Language Pre-trained Models for Incremental Face Presentation Attack Detection
引导视觉-语言预训练模型进行增量面部呈现攻击检测
机构 * School of Computer Science, China University of Geosciences（中国地质大学（北京）计算机科学学院） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences (CAS)（中国科学院人工智能安全重点实验室） ； University of China Academy of Sciences（中国科学院大学） ； Center for Machine Vision and Signal Analysis, University of Oulu（奥卢大学机器视觉与信号分析中心） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 图文多模态 ：cross-modal(abstract)；分类 cs.CV
AI总结 SVLP-IL是一种基于视觉-语言预训练模型的增量学习框架，通过多方面提示和选择性弹性权重固化方法，在隐私合规的前提下提升面部呈现攻击检测的鲁棒性。
IndoorUAV: Benchmarking Vision-Language UAV Navigation in Continuous Indoor Environments
IndoorUAV：在连续室内环境中进行视觉-语言无人机导航的基准测试
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.AI
AI总结 IndoorUAV通过构建室内无人机视觉-语言导航基准，结合多模态推理和任务分解，为长视距和短视距导航提供高质量数据与模型支持。
Embodied4C: Measuring What Matters for Embodied Vision-Language Navigation
Embodied4C: 评估具身视觉-语言导航中至关重要的因素
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； UAS Esslingen（埃森嫩大学） ； TU Wien（维也纳技术大学） ； Dr. Ing. h.c. F. Porsche AG（保时捷股份有限公司） ； University of Michigan（密歇根大学） ； Voxel51 Inc.（Voxel51公司）
专题命中 图文多模态 ：cross-modal(abstract)；分类 cs.CV
AI总结 Embodied4C通过三种异构具身评估VLMs的具身能力，发现跨模态对齐和指令微调比规模更重要，而空间和时间推理是可靠具身能力的主要瓶颈。
SSR: Semantic and Spatial Rectification for CLIP-based Weakly Supervised Segmentation
SSR：基于CLIP的弱监督分割的语义与空间校正
专题命中 图文多模态 ：cross-modal(abstract)；分类 cs.CV
AI总结 本文提出SSR方法，通过语义与空间校正提升CLIP在弱监督分割中的性能，实现更高的mIoU分数。
Comments Accepted in AAAI 2026
On the dynamic evolution of CLIP texture-shape bias and its relationship to human alignment and model robustness
CLIP纹理-形状偏倚的动态演变及其与人类对齐和模型鲁棒性的关系
机构 * Image Processing Lab, Universitat de Valencia, Spain（瓦伦西亚大学图像处理实验室） ； Centro de Biomateriales e Ingenieria Tisular, Universitat Politecnica de Valencia, Spain（瓦伦西亚理工大学生物材料与组织工程中心） ； Computer Vision Center, Spain（西班牙计算机视觉中心） ； Universitat Autònoma de Barcelona, Spain（巴塞罗那自治大学）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 本文研究CLIP模型在训练过程中纹理-形状偏倚的演变，揭示其与人类感知对齐及模型鲁棒性的关系。
Continual Learning on CLIP via Incremental Prompt Tuning with Intrinsic Textual Anchors
通过内在文本锚点进行增量提示调优实现CLIP的持续学习
机构 * School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院） ； Data61, CSIRO（CSIRO数据61研究中心） ； School of Computer Science, University of Auckland（奥克兰大学计算机科学学院） ； Australian Institute for Machine Learning (AIML), The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）
专题命中 图文多模态 ：multi-modal(abstract)；分类 cs.CV
AI总结 本文提出基于增量提示调优的CLIP持续学习方法，通过引入文本原型作为稳定锚点，提升多模态嵌入空间稳定性，并联合优化视觉和文本提示以减少遗忘。
Comments Accepted at TMLR. Code is available at https://github.com/jeff024/tppt
N3D-VLM: Native 3D Grounding Enables Accurate Spatial Reasoning in Vision-Language Models
N3D-VLM：原生3D接地使视觉-语言模型在3D场景中实现精确的空间推理
机构 * HKUST（香港科技大学） ； Tencent AI Lab（腾讯AI实验室） ； CUHK（香港中文大学） ； ZJU（浙江大学） ； NJU（南京大学）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 N3D-VLM通过原生3D感知能力提升视觉-语言模型在3D场景中的空间推理精度与解释性。
Comments Project Page: https://n3d-vlm.github.io
R4: Retrieval-Augmented Reasoning for Vision-Language Models in 4D Spatio-Temporal Space
R4：在4D时空空间中为视觉语言模型引入检索增强推理
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Esslingen University of Applied Sciences（埃斯林根应用科学大学） ； Dr. Ing. h.c. F. Porsche AG（德意志联邦汽车工业协会） ； University of Michigan（密歇根大学） ； Voxel51 Inc.（Voxel51公司）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 R4通过构建4D时空知识库，使视觉语言模型具备结构化终身记忆，实现无需训练的检索增强推理，提升动态环境中的具身推理能力。
Null-LoRA: Low-Rank Adaptation on Null Space
Null-LoRA: 在空域上进行低秩适应
机构 * School of Computer Science（计算机科学学院） ； Engineering, Sun Yat-sen University, Guangdong, China（工程学院，中山大学，广东，中国）
专题命中 图文多模态 ：image-text(abstract)；分类 cs.CV
AI总结 Null-LoRA通过在空域上进行低秩适应，提升参数效率和模型效果，在图像-文本检索和视觉问答任务中取得最优表现。
VLCache: Computing 2% Vision Tokens and Reusing 98% for Vision-Language Inference
VLCache：计算2%的视觉令牌并重用98%用于视觉-语言推断
机构 * Qwen Team, Alibaba Inc.（通义实验室，阿里巴巴集团）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 VLCache通过重用98%的缓存减少计算量，实现高效视觉-语言推理，精度与全重新计算相当，加速1.2x至16倍。
An Efficient and Effective Encoder Model for Vision and Language Tasks in the Remote Sensing Domain
一种用于遥感领域的高效且有效的编码器模型
机构 * INESC-ID, Instituto Superior Técnico, University of Lisbon（INESC-ID，理工学院，里斯本大学） ； Department of Computer Science, Faculty of Science and Technology, Universidade NOVA de Lisboa（计算机科学系，科学与技术学院，诺瓦大学） ； School of Architecture, Civil and Environmental Engineering, EPFL（建筑、土木和环境工程学院，EPFL）
专题命中 图文多模态 ：cross-modal(abstract)；分类 cs.CV
AI总结 本文提出了一种高效且紧凑的编码器模型，用于处理遥感领域的多任务学习，包括图像文本生成和跨模态检索。
CLIP-FTI: Fine-Grained Face Template Inversion via CLIP-Driven Attribute Conditioning
CLIP-FTI: 通过CLIP驱动的属性条件化实现细粒度面部模板逆向
专题命中 图文多模态 ：cross-modal(abstract)；分类 cs.CV
AI总结 CLIP-FTI通过CLIP驱动的属性条件化实现细粒度面部模板逆向，提升识别准确性和属性相似性，增强跨模型攻击的可转移性。
Comments Accepted by AAAI 2026
Assessing the Visual Enumeration Abilities of Specialized Counting Architectures and Vision-Language Models
评估专用计数架构和视觉-语言模型的视觉计数能力
机构 * University of Padova（帕多瓦大学）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 本文比较了专用计数架构与VLMs在物体计数任务中的性能，发现VLMs在生成中间表示时计数准确率显著提高，但复杂场景计数仍需进一步研究。
SuperCLIP: CLIP with Simple Classification Supervision
SuperCLIP：带有简单分类监督的CLIP
机构 * School of EIC, Huazhong University of Science and Technology（华中科技大学电子与信息学院） ； ByteDance（字节跳动）
专题命中 图文多模态 ：image-text(abstract)；分类 cs.CV
AI总结 SuperCLIP通过添加轻量级分类监督提升CLIP的细粒度视觉-文本对齐能力，有效提升零样本分类和检索性能。
Comments Accepted by NeurIPS 2025. Code: https://github.com/hustvl/SuperCLIP
Erasing CLIP Memories: Non-Destructive, Data-Free Zero-Shot class Unlearning in CLIP Models
擦除CLIP记忆：非破坏性、无数据零样本类去学习在CLIP模型中
机构 * Hewlett Packard Labs（惠普实验室）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出了一种基于空空间投影的非破坏性零样本类去学习方法，有效降低CLIP模型中目标类别的性能，同时保留整体多模态知识。
Selective, Controlled and Domain-Agnostic Unlearning in Pretrained CLIP: A Training- and Data-Free Approach
选择性、可控性和领域无关的预训练CLIP模型去学习：一种无需训练和数据的方法
机构 * Hewlett Packard Labs（惠普实验室）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出了一种无需训练和数据的CLIP去学习方法，能够实现选择性、可控性和领域无关的模型遗忘，提升模型在不同任务上的适应性与效率。
Adapting General-Purpose Foundation Models for X-ray Ptychography in Low-Data Regimes
为低数据情形下的X射线衍射成像适应通用基础模型
机构 * The University of Alabama（阿拉巴马大学） ； Argonne National Laboratory（阿贡国家实验室）
专题命中 图文多模态 ：multi-modal(abstract)；分类 cs.CV
AI总结 本文提出PtychoBench基准，通过比较SFT和ICL策略，在低数据环境下优化X射线衍射成像任务的模型适应性，发现任务模态决定最佳专门化路径。
More Than the Final Answer: Improving Visual Extraction and Logical Consistency in Vision-Language Models
不止于最终答案：提升视觉提取和逻辑一致性的视觉语言模型
机构 * Virginia Tech（弗吉尼亚理工大学） ； Adobe Research（Adobe研究院） ； Apple（苹果公司）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 PeRL-VL通过解耦框架提升视觉语言模型的视觉提取和推理一致性，实现Pass@1准确率提升。
Relation-R1: Progressively Cognitive Chain-of-Thought Guided Reinforcement Learning for Unified Relation Comprehension
Relation-R1: 逐步认知链式思维引导的强化学习用于统一关系理解
专题命中 图文多模态 ：multi-modal(abstract)；分类 cs.CV
AI总结 Relation-R1通过整合认知链式思维引导的强化学习，实现了对二元和N元关系的统一理解，提升了视觉-语义定位能力。
Comments AAAI 2026
Few-Shot Learning from Gigapixel Images via Hierarchical Vision-Language Alignment and Modeling
通过层次化视觉-语言对齐和建模实现高像素图像的少样本学习
机构 * KAIST（韩国科学技术院） ； IHPC, A*STAR（A*STAR研究院）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 HiVE-MIL通过层次化视觉-语言对齐和建模，提升高像素图像的少样本学习性能，实现4.1%的宏F1提升。
Comments Accepted at NeurIPS 2025
Synthetic Vasculature and Pathology Enhance Vision-Language Model Reasoning
合成血管和病理增强视觉-语言模型推理
机构 * Cornell University（康奈尔大学） ； Weill Cornell Medicine（韦尔·康奈尔医学） ； Technical University of Munich（慕尼黑技术大学） ； New York Eye and Ear Infirmary of Mount Sinai（圣文森特医院） ； Cornell Tech（康奈尔科技）
专题命中 图文多模态 ：image-text(abstract)；分类 cs.CV
AI总结 本研究提出合成血管推理框架，通过生成具有糖尿病视网膜病变特征的图像和文本，提升视觉-语言模型在OCTA图像诊断中的推理能力与病理定位精度。
Comments 23 pages, 8 figures, 6 tables. Full paper under review for MIDL 2026 (Medical Imaging with Deep Learning)
Investigating The Functional Roles of Attention Heads in Vision Language Models: Evidence for Reasoning Modules
探讨视觉语言模型中注意力头的功能作用：推理模块的证据
机构 * The University of Melbourne（墨尔本大学） ； The University of Sydney（悉尼大学）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.AI
AI总结 本文通过CogVision数据集探讨视觉语言模型中注意力头的功能作用，揭示其在多模态推理中的关键作用及分布特征。
