SEED-Data-Edit Technical Report: A Hybrid Dataset for Instructional Image Editing
专题命中 多模态生成 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV
Comments Technical Report; Dataset released in https://huggingface.co/datasets/AILab-CVC/SEED-Data-Edit
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. 多模态生成 4955 篇
Object-Attribute Binding in Text-to-Image Generation: Evaluation and Control
专题命中 多模态生成 ：multimodal(abstract)；image-text(abstract)；分类 cs.CV
State Space Model for New-Generation Network Alternative to Transformers: A Survey
专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV、cs.CL、cs.AI
Comments The First review of State Space Model (SSM)/Mamba and their applications in artificial intelligence, 33 pages
HyperEditor: Achieving Both Authenticity and Cross-Domain Capability in Image Editing via Hypernetworks
专题命中 多模态生成 ：cross-modal(abstract)；image-text(abstract)；分类 cs.CV
Comments Accepted by AAAI2024
VL-GPT: A Generative Pre-trained Transformer for Vision and Language Understanding and Generation
专题命中 多模态生成 ：multimodal(abstract)；image-text(abstract)；分类 cs.CV
LLaVA-Interactive: An All-in-One Demo for Image Chat, Segmentation, Generation and Editing
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
Comments 31 pages, 22 figures, 30M PDF file size; Project Page: https://llava-vl.github.io/llava-interactive/
GenEval: An Object-Focused Framework for Evaluating Text-to-Image Alignment
专题命中 多模态生成 ：multimodal(abstract)；image-text(abstract)；分类 cs.CV
Alzheimer's Disease Prediction via Brain Structural-Functional Deep Fusing Network
专题命中 多模态生成 ：multimodal(abstract)；cross-modal(abstract)；分类 cs.CV
Comments 10 pages
Point-Bind & Point-LLM: Aligning Point Cloud with Multi-modality for 3D Understanding, Generation, and Instruction Following
专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV、cs.CL、cs.AI
Comments Work in progress. Code is available at https://github.com/ZiyuGuo99/Point-Bind_Point-LLM
Planting a SEED of Vision in Large Language Model
专题命中 多模态生成 ：multimodal(abstract)；image-text(abstract)；分类 cs.CV
Comments Technical Report; Project released at: https://github.com/AILab-CVC/SEED
DSGN++: Exploiting Visual-Spatial Relation for Stereo-based 3D Detectors
专题命中 多模态生成 ：multi-modal(abstract)；cross-modal(abstract)；分类 cs.CV
Comments 13 pages
DT2I: Dense Text-to-Image Generation from Region Descriptions
专题命中 多模态生成 ：multi-modal(abstract)；image-text(abstract)；分类 cs.CV
LAFITE: Towards Language-Free Training for Text-to-Image Generation
专题命中 多模态生成 ：multi-modal(abstract)；image-text(abstract)；分类 cs.CV
Comments Accepted by CVPR 2022, https://github.com/drboog/Lafite
Deep Bayesian Network for Visual Question Generation
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
Comments WACV-2020 (Accepted)
AttnGAN: Fine-Grained Text to Image Generation with Attentional Generative Adversarial Networks
专题命中 多模态生成 ：multimodal(abstract)；image-text(abstract)；分类 cs.CV
Making Laplacians commute
专题命中 多模态生成 ：multimodal(abstract)；multi-modal(abstract)；分类 cs.CV
Dynamic Clue Bottlenecks: Towards Interpretable-by-Design Visual Question Answering
专题命中 多模态生成 ：multimodal(abstract,comments)；分类 cs.CV、cs.CL、cs.AI
Comments Multimodal, Visual Question Answering, Vision and Language
TediGAN: Text-Guided Diverse Face Image Generation and Manipulation
专题命中 多模态生成 ：multi-modal(abstract,comments)；分类 cs.CV、cs.AI、cs.MM
Comments CVPR 2021. Code: https://github.com/weihaox/TediGAN Data: https://github.com/weihaox/Multi-Modal-CelebA-HQ Video: https://youtu.be/L8Na2f5viAM
A Comprehensive Review of Large Language Models for Nanophotonics: From Surrogate Modeling to Autonomous Design
面向纳米光子学的大语言模型综合综述：从代理建模到自主设计
专题命中 多模态生成 ：multimodal(abstract)；multimodal foundation model(abstract)
AI总结 该综述探讨大语言模型（LLMs）如何通过语义接口、代码生成及工具编排改进纳米光子学工作流，梳理相关方法的两类模式及跨学科应用，展望具备物理感知的多模态基础模型，推动AI从被动工具向主动科研合作者转变。
Comments Accepted for publication in Advanced Photonics
AutoDesign: Meta-Harness Optimization for Long-Horizon Agentic Design
AutoDesign：面向长视距智能体设计的元工具优化
机构 * Meituan（美团） ； MBZUAI（Mohamed bin Zayed University of Artificial Intelligence） ； Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 AutoDesign是符合人类设计先验的元工具优化框架，以论文转海报生成任务为实例，在PosterBench上性能优于Claude Design，集成其学习的DesignHarness可提升代码智能体性能，且获人类最高偏好。
Comments Tech Report. Code at: https://github.com/Yaxin9Luo/AutoDesign
CURV: Enhancing Chart Understanding Through Curriculum Visual Grounded Reasoning
CURV：通过课程可视化接地推理增强图表理解
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 针对多模态大语言模型视觉接地与推理不足的问题，提出CURV课程学习框架，结合CCQA数据集，在图表问答任务中实现显著性能提升并具备良好泛化性。
Unpaired Modality-Agnostic Generative Recommendation
非配对模态无关生成式推荐
专题命中 多模态生成 ：multimodal(abstract)；cross-modal(abstract)
AI总结 提出UnpairGR模型，从多类观测中学习统一语义ID空间，在三类基准数据集上验证其可提升完全与不完全观测下的推荐性能。
OmniCustom: Sync Audio-Video Customization Via Joint Audio-Video Generation Model
OmniCustom: 通过联合音视频生成模型实现同步音视频定制
机构 * The University of Hong Kong（香港大学） ； Shanda AI Research Tokyo（Shanda AI东京研究所） ； XIntelligence Technology Co., Limited（XIntelligence技术有限公司）
专题命中 多模态生成 ：audio-visual(abstract)；分类 cs.AI、cs.MM、eess.AS
AI总结 提出一种基于DiT的零样本音视频定制框架OmniCustom，通过参考图像和音频同步生成保持身份和音色一致性的视频，支持文本指定语音内容。
Comments code: https://github.com/OmniCustom-project/OmniCustom
Mage-Flow: An Efficient Native-Resolution Foundation Model for Image Generation and Editing
Mage-Flow：用于图像生成和编辑的高效原生分辨率基础模型
机构 * Microsoft Mage Team（微软Mage团队）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.AI、cs.MM
AI总结 研究针对大规模视觉生成器成本高的问题，提出Mage-Flow，由Mage-VAE和原生分辨率多模态扩散Transformer组成。通过协同设计实现高效文本到图像生成及编辑，开发完整模型家族，Turbo变体在高分辨率下生成和编辑高效，性能有竞争力。
Concurrent Image Understanding and Generation: Self-Correcting Coupled Markov Jump Processes
并发图像理解与生成：自校正耦合马尔可夫跳跃过程
机构 * Stony Brook University（纽约州立大学石溪分校） ； Google DeepMind（谷歌DeepMind）
专题命中 多模态生成 ：multimodal(abstract)；cross-modal(abstract)
AI总结 研究针对人类认知中理解与生成的耦合循环，引入自校正耦合马尔可夫跳跃过程框架及$\texttt{CO}_\texttt{2}\texttt{Jump}$采样器，解决掩码扩散模型跨模态矛盾问题，创建多模态语料库，该方法在图像相关任务中性能优异，且性能随去噪步骤数提升。
Comments Project page: https://coupled-jump.github.io
Hierarchical Synthetic Tabular Data Generation: A Hybrid Top-Down and Bottom-Up Framework
层次化合成表格数据生成：一种自上而下与自下而上混合框架
机构 * University of Southern California（南加州大学）
专题命中 多模态生成 ：multimodal(abstract)；cross-modal(abstract)
AI总结 提出一种层次化混合自上而下和自下而上（H-TDBU）框架，通过解耦语义结构与随机纹理，结合结构驱动的逻辑约束和轻量级表格生成器，在弱多模态金融基准上提升合成数据的语义一致性和统计保真度。
Comments Accepted as a poster at FMSD @ ICML 2026. 9 pages, 6 figures
Semantic Satellite Communications for Synchronized Audiovisual Reconstruction
面向同步视听重建的语义卫星通信
专题命中 多模态生成 ：multimodal(abstract)；cross-modal(abstract)
AI总结 提出自适应多模态语义传输系统，通过双流生成架构和动态关键帧更新机制，在带宽受限的卫星场景下实现高质量同步视听重建，显著降低带宽消耗并提升鲁棒性。
T2MM: An LLM Supported Architecture For Inquiry-Based Modeling
T2MM：一种支持基于探究建模的LLM架构
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CL、cs.AI、cs.MM
AI总结 提出T2MM架构，利用LLM在生态建模软件VERA中生成交互式模型，优于全代码生成基线。
Comments 16 pages, 4 figures
From Denoising to Decision Making: A Survey on Diffusion Model-Enabled Deep Reinforcement Learning for Wireless Networks
从去噪到决策：面向无线网络的扩散模型赋能深度强化学习综述
专题命中 多模态生成 ：multimodal(abstract)；multi-modal(abstract)
AI总结 本文综述了扩散模型与深度强化学习结合的方法，通过捕捉无线资源管理中的复杂多模态动作结构，提升决策质量，并系统总结了其在移动边缘计算、无人机辅助、车联网、AIGC驱动系统、无线资源分配、物理层安全及机器人/无人机规划等领域的应用。
Comments 22 pages, 7 figures, Author list corrected
CURE: Curriculum-guided Multi-task Training for Reliable Anatomy Grounded Report Generation
CURE：基于课程引导的多任务训练实现可靠的解剖学接地报告生成
机构 * Pontificia Universidad Católica de Chile（智利天主教大学） ； CENIA ； iHEALTH ； KAUST（科威特皇家科学与技术局）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 提出CURE框架，通过课程学习动态调整多任务训练，提升医学报告生成的视觉接地准确性和事实一致性，无需额外数据。
Comments 31 pages, 7 figures, accepted to CVPR 2026 (oral)
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026, pp. 36279-36289
