RAG / 检索增强生成

VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents

VLD-RAG：用于长的、视觉丰富的多页文档的智能视觉语言检索增强生成

Seonok Kim

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；hybrid retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 研究针对视觉丰富的长文档问答的多模态检索增强生成，提出VLD-RAG框架，构建多模态索引并采用混合检索策略，经智能体工作流程协调，在相关基准上提升了证据页面检索及问答表现，凸显协调验证与混合检索的重要性。

MG$^2$-RAG: Multi-Granularity Graph for Multimodal Retrieval-Augmented Generation

MG$^2$-RAG：多粒度图用于多模态检索增强生成

Sijun Dai, Qiang Huang, Xiaoxing You, Jun Yu

机构 * School of Computer Science, Hangzhou Dianzi University（杭州电子科技大学计算机学院） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.IR、cs.AI

AI总结 MG$^2$-RAG通过构建层次化多模态知识图谱，融合文本与视觉信息，提升多模态检索与生成性能，实验显示其在四个任务中均取得最佳效果，同时显著提升效率。

Event-Causal RAG: A Retrieval-Augmented Generation Framework for Long Video Reasoning in Complex Scenarios

事件因果RAG：一种用于长视频复杂场景中长视频推理的检索增强生成框架

Peizheng Yan, Yu Zhao, Liang Xie, Juntong Qi, Mingming Wang, Erwei Yin

机构 * Tianjin Key Lab of Intelligent Unmanned Swarm Tech & System（天津智能集群技术与系统重点实验室） ； Tianjin University（天津大学） ； Institute of Computing and Intelligence（计算与智能研究所） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Tianjin Artificial Intelligence Innovation Center（天津人工智能创新中心） ； Defense Innovation Institute Academy of Military Sciences（国防科技创新研究院） ； School of Future Technology（未来技术学院） ； Shanghai University（上海大学） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.AI

AI总结 本文提出Event-Causal RAG框架，通过事件因果图和双存储记忆实现长视频推理，优于传统方法，在多事件整合和因果推理任务中表现更优，同时提升内存效率和流式性能。

RAG-Audio: Retrieval-Augmented Generation for Faithful Brain-to-Audio Reconstruction

RAG-Audio：用于忠实脑电信号到音频重建的检索增强生成

Ambuj Mehrish, Sebastiano Vascon

机构 * CVML Lab（CVML实验室） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(title)；分类 cs.AI

AI总结 RAG-Audio通过检索真实音频样本初始化生成器采样轨迹，缓解脑电到音频生成的先验主导问题，在Brain2Music数据集上提升了刺激识别准确率并大幅降低Fréchet音频距离。

Digitizing Coaching Intelligence: An Agentic Framework for Holistic Athlete Profiling using VLM and RAG

数字化教练智能：基于VLM和RAG的整体运动员画像智能体框架

Deep Ghosal, Ishani Sen, Wazib Ansar, Amlan Chakrabarti

机构 * A.K. Choudhury School of Information Technology University of Calcutta（A.K.楚德里信息科技学院印度加尔各答大学） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；vector search(abstract)；分类 cs.AI

AI总结 提出基于LLM的混合智能体框架，结合计算机视觉与视觉语言模型，通过3×3智能网格分块策略降低计算开销，并引入LLM-as-a-Judge自校正循环和双持久化RAG管道，实现符合印度体育局标准的自动化整体运动员评估。

Comments 16 pages

Automating Iconclass: LLMs and RAG for Large-Scale Classification of Religious Woodcuts

自动化Iconclass：LLM和RAG用于大规模宗教木刻版画分类

Drew B. Thomas

机构 * University College Dublin（都柏林大学） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；vector search(abstract)；分类 cs.IR

AI总结 本文提出利用LLM和向量数据库结合RAG技术，实现早期现代宗教图像的高效分类，通过全页上下文生成描述并匹配Iconclass代码，提升分类精度至92%。

Comments 29 pages, 7 figures. First presented at the "Digital Humanities and Artificial Intelligence" conference at the University of Reading on 17 June 2024

Journal ref Digital Culture and Education 16(3):161-182, 2026

QV-PIC: Query-Aware Visual Position-Independent Caching for Efficient RAG Serving

QV-PIC：面向高效RAG服务的查询感知视觉位置无关缓存

Yilin Liu, Rui Meng, Wangze Ni, Jianxin Yan, Heng Cao, Libin Zheng, Peng Cheng, Jinfei Liu

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 QV-PIC是一种查询感知双分辨率PIC复用框架，通过离线编译视觉缓存、在线分分辨率处理，解决渲染图像PIC质量下降问题，在6项RAG任务中显著提升F1并降低TTFT。

Tell Me: An LLM-powered Mental Well-being Assistant with RAG, Synthetic Dialogue Generation, and Agentic Planning

Tell Me：基于LLM的心理健康助手，集成RAG、合成对话生成与智能体规划

Trishala Jayesh Ahalpara

机构 * Fujitsu Research of America（富士通美国研究） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 提出Tell Me系统，利用大语言模型通过RAG实现个性化对话、合成客户-治疗师对话生成以及智能体规划生成自我护理计划，旨在提供可及的心理支持而非替代专业治疗。

Comments 8 pages, 2 figures, 1 Table. Submitted to the Computation and Language (cs.CL) category. Uses the ACL-style template. Code and demo will be released at: https://github.com/trystine/Tell_Me_Mental_Wellbeing_System

DualG-MRAG: Decoupling Macro-Reasoning and Micro-Matching for Multimodal Retrieval-Augmented Generation

DualG-MRAG：面向多模态检索增强生成的宏观推理与微观匹配解耦框架

Jiacheng Tao, Qingyun Sun, Haonan Yuan, Ziwei Zhang, Jianxin Li

机构 * Beihang University（北京航空航天大学） ； SKLCCSE 纠错

专题命中 多模态RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(title,abstract)；retriever(abstract,abstract_cn)；分类 cs.AI

AI总结 针对多模态RAG在复杂多跳推理中存在的问题，本文提出DualG-MRAG框架，通过解耦宏观推理与微观匹配抑制检索噪声，经实验验证其在证据召回和问答准确率上优于基线。

Comments Accepted to the 34th ACM International Conference on Multimedia (ACM MM 2026). 12 pages

Zero-Effort Image-to-Music Generation: An Interpretable RAG-based VLM Approach

零努力图像到音乐生成：一种可解释的基于RAG的视觉语言模型方法

Zijian Zhao, Dian Jin, Zijing Zhou

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The University of Hong Kong（香港大学） ； The Hong Kong University of Science（香港科学大学） ； The Hong Kong Polytechnic University Hong Kong China（香港理工大学香港中国） ； The University of Hong Kong Hong Kong China（香港大学香港中国） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出一种基于RAG的视觉语言模型方法，实现图像到音乐生成，通过ABC记谱法连接文本与音乐模态，并利用多模态检索增强生成和自反思技术，提供高可解释性且低计算成本的音乐生成方案。

MIRROR: Novelty-Constrained Memory-Guided MCTS Red-Teaming for Agentic RAG

MIRROR: 基于新颖性约束的记忆引导MCTS红队测试用于智能体RAG

Inderjeet Singh, Andrés Murillo, Motoyoshi Sekiya, Yuki Unno, Junichi Suga

机构 * Fujitsu Research of Europe, United Kingdom（欧洲富士通研究机构，英国） ； Fujitsu Limited, Japan（日本富士通有限公司） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 提出MIRROR框架，通过记忆引导蒙特卡洛树搜索和显式新颖性约束，在多模态智能体RAG系统的四个攻击面上实现高攻击成功率，并降低跨表面方差。

Comments 6 pages, 2 figures. Accepted at the 2026 International Joint Conference on Neural Networks (IJCNN 2026), IEEE WCCI 2026; presented as an oral talk. Code and ART-SafeBench benchmark: https://github.com/FujitsuResearch/mirror

MAGE-RAG: Multigranular Adaptive Graph Evidence for Agentic Multimodal RAG in Long-Document QA

MAGE-RAG：面向长文档问答的多粒度自适应图证据多模态RAG

Yilong Zuo, Xunkai Li, Jing Yuan, Qiangqiang Dai, Hongchao Qin, Ronghua Li

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；分类 cs.IR、cs.CL、cs.AI

AI总结 提出MAGE-RAG框架，通过离线构建包含页面和元素节点的证据图，在线自适应构建证据子图，平衡证据覆盖与噪声控制，在长文档多模态问答中取得最优性能。

MM-PoisonRAG: Disrupting Multimodal RAG with Local and Global Poisoning Attacks

MM-PoisonRAG：通过局部和全局投毒攻击破坏多模态RAG

Hyeonjeong Ha, Qiusi Zhan, Jeonghwan Kim, Dimitrios Bralios, Saikrishna Sanniboina, Nanyun Peng, Kai-Wei Chang, Daniel Kang, Heng Ji

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California Los Angeles（加州大学洛杉矶分校） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 提出MM-PoisonRAG框架，通过局部投毒攻击（LPA）和全局投毒攻击（GPA）两种策略，系统研究多模态检索增强生成（RAG）在知识投毒下的脆弱性，实验表明攻击成功率高达56%且能绕过现有防御。

Comments Code is available at https://github.com/HyeonjeongHa/MM-PoisonRAG

From Scenes to Elements: Multi-Granularity Evidence Retrieval for Verifiable Multimodal RAG

从场景到元素：面向可验证多模态RAG的多粒度证据检索

Guanhua Chen, Chuyue Huang, Yutong Yao, Shudong Liu, Xueqing Song, Lidia S. Chao, Derek F. Wong

机构 * NLP 2 CT Lab, Department of Computer and Information Science, University of Macau（NLP2CT实验室，计算机与信息科学系，澳门大学） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 本文提出GranuRAG框架，通过多粒度跨模态对齐和元素级检索，解决多模态RAG中粗粒度证据与细粒度查询不匹配的问题，提升可验证性。

VLADriver-RAG: Retrieval-Augmented Vision-Language-Action Models for Autonomous Driving

VLADriver-RAG：基于检索增强的视觉-语言-动作模型用于自动驾驶

Rui Zhao, Haofeng Hu, Zhenhai Gao, Jiaqiao Liu, Gao Fei

机构 * College of Automotive Engineering（汽车工程学院） ； The National Key Laboratory of Automotive Chassis Integration and Bionics（汽车底盘集成与生物力学国家级重点实验室） ； ReeFocus AI Technology（ReeFocus人工智能技术） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出VLADriver-RAG，通过构建结构化的历史知识，提升自动驾驶中长尾场景的泛化能力，采用视觉到场景机制和场景对齐嵌入模型，结合查询驱动的VLA骨干网络，实现高精度轨迹合成。

Retina-RAG: Retrieval-Augmented Vision-Language Modeling for Joint Retinal Diagnosis and Clinical Report Generation

Retina-RAG：基于检索增强的视觉-语言模型用于联合视网膜诊断和临床报告生成

Abdelrahman Zaian, Sheethal Bhat, Mohamed Abdalkader, Andreas Maier

机构 * Friedrich-Alexander-Universität（弗里德里希-亚历山大大学） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 Retina-RAG通过整合高精度视网膜分类器和参数高效视觉语言模型，实现糖尿病视网膜病变分级、黄斑水肿检测及报告生成，优于现有方法，且在单块消费级GPU上运行。

Comments 10 pages, 5 figures. Submitted to MICCAI 2026

From Clouds to Hallucinations: Atmospheric Retrieval Hijacking in Remote Sensing Vision-Language RAG

从云层到幻觉：遥感视觉-语言RAG中的大气检索劫持

Jiaju Han, Chao Li, Chengyin Hu, Qike Zhang, Xuemeng Sun, Xin Wang, Fengyu Zhang, Xiang Chen, Yiwei Wei, Jiahuan Long, Jiujiang Guo

机构 * China University of Petroleum, Beijing at Karamay（中国石油大学（北京）克拉玛依校区） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retriever(abstract)；分类 cs.AI

AI总结 研究提出CloudWeb攻击，通过修改输入图像实现遥感多模态RAG中的大气证据劫持，展示了大气变化对检索阶段的影响，并揭示了自然外观的天气变化可能破坏证据检索。

Purifying Multimodal Retrieval: Fragment-Level Evidence Selection for RAG

净化多模态检索：用于RAG的片段级证据选择

Xihang Wang, Zihan Wang, Chengkai Huang, Cao Liu, Ke Zeng, Quan Z. Sheng, Lina Yao

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 本文提出FES-RAG框架，通过片段级证据选择提升多模态检索效果，减少噪声干扰，实验显示在M2RAG基准上性能提升27%。

UniDoc-RL: Coarse-to-Fine Visual RAG with Hierarchical Actions and Dense Rewards

UniDoc-RL: 基于分层动作和密集奖励的粗到细视觉RAG

Jun Wang, Shuo Tan, Zelong Sun, Tiancheng Gu, Yongle Zhao, Ziyong Feng, Kaicheng Yang, Zhiwu Lu

机构 * DeepGlint-AI 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 UniDoc-RL通过分层动作空间和密集奖励方案，提升视觉RAG系统的细粒度视觉语义处理能力，实现端到端训练，实验显示优于现有方法。

Comments 17 pages, 11 figures

Cross-modal RAG: Sub-dimensional Text-to-Image Retrieval-Augmented Generation

Mengdan Zhu, Senhao Cheng, Guangji Bai, Yifei Zhang, Liang Zhao

机构 * Emory University（埃默里大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

专题命中 多模态RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；retriever(abstract)；hybrid retrieval(abstract)

When Do Multimodal and Graph-Augmented RAG Help? A Controlled Evaluation for Document Question Answering

多模态和图增强的检索增强生成（RAG）何时有用？文档问答的对照评估

Sokipriala Jonah

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)

AI总结 研究文档问答中多模态和图增强RAG的作用，提出用多模态图-RAG架构，通过独立检索并融合文本、图和视觉证据源来评估效果。经实验发现其价值取决于多种因素，如检索设计等，还揭示了一些相关问题，如图像检索及生成器效率对结果的影响。

Comments 8 pages, 3 figures

Code-Level Cost Function Generation for Spatial Image Steganography Using RAG-Enhanced Large Language Models

使用RAG增强大语言模型进行空间图像隐写术的代码级成本函数生成

Yige Wang, Shiqi Yi, Hanzhou Wu

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)

AI总结 该研究针对空间图像隐写术成本函数设计难题，提出利用RAG增强大语言模型的进化系统，含SE-RAG模块及反馈机制。实验表明，此框架安全性更高，还提升了代码执行率并降低搜索成本，凸显结合大语言模型与领域知识的优势。

LongLive-RAG: A General Retrieval-Augmented Framework for Long Video Generation

LongLive-RAG: 一种用于长视频生成的通用检索增强框架

Qixin Hu, Shuai Yang, Wei Huang, Song Han, Yukang Chen

机构 * NVIDIA ； USC（美国大学） ； MIT（麻省理工学院） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)

AI总结 提出LongLive-RAG框架，通过将自回归视频生成中的历史潜变量作为可检索记忆，利用查询嵌入检索相关历史潜变量并引入窗口时间增量损失，以减轻滑动窗口注意力导致的误差累积，提升长视频生成质量。

Comments 20 pages, 7 figures, 4 tables

Navigating the Emotion Tree: Hierarchical Hyperbolic RAG for Multimodal Emotion Recognition

在情绪树中导航：用于多模态情绪识别的分层双曲RAG

Zeheng Wang, Bo Zhao, Yijie Zhu, Zhishu Liu, Hui Ma, Ruixin Zhang, Shouhong Ding, Qianyu Xie, Zitong Yu

机构 * Great Bay University（广东东莞大亚湾大学） ； Tencent Youtu Lab（腾讯优图实验室） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)

AI总结 本文提出HyperEmo-RAG，一种利用结构化情绪知识库的检索增强生成框架，通过双曲空间嵌入和证据图构建来提升多模态情绪识别的性能。

MultiDocFusion: Hierarchical and Multimodal Chunking Pipeline for Enhanced RAG on Long Industrial Documents

多文档融合：一种用于长工业文档增强RAG的分块流程

Joongmin Shin, Chanjun Park, Jeongbae Park, Jaehyung Seo, Heuiseok Lim

机构 * Human-inspired AI Research（人机协同人工智能研究所） ； Department of Computer Science and Engineering（计算机科学与工程系） ； School of Software（软件学院） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；分类 cs.CL、cs.AI

AI总结 针对长工业文档结构复杂的问题，提出MultiDocFusion分块流程，结合视觉解析、OCR提取、层次结构重建和DFS分组，提升RAG检索精度和问答质量。

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing

TAP-RAG: Task-Aware Policy Control for Long-Document Multimodal Question Answering

TAP-RAG：用于长文档多模态问答的任务感知策略控制

Zhong Ji, Keqi Jin, Yan Zhang, Jiasheng Li

机构 * School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院） ； The International Joint Institute of Tianjin University（天津大学国际联合学院） ； Department of Automation, Tsinghua University（清华大学自动化系） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)

AI总结 研究长文档多模态问答，提出TAP-RAG框架，含任务感知策略控制器及两个执行器，能预测任务先验、估计证据信号并生成策略，在多模态文档图上扩展证据，在相关数据集上取得最佳总体准确率。

Comments 18 pages, 6 figures, 9 tables

Modality Relevance is not Modality Utility: Post-hoc Selective Modality Escalation for Cost-Aware Multimodal RAG

模态相关性并非模态效用：用于成本感知多模态RAG的事后选择性模态升级

Xue Li, Yiming Gai

机构 * Hangzhou International Innovation Institute, Beihang University（杭州国际创新研究院，北京航空航天大学） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 研究多模态检索增强生成中模态选择决策点问题，提出事后选择性模态升级方法，先低成本从文本和表格回答，再按需支付VLM证据费用，校准路由器决定是否升级，在MultiModalQA上减少视觉调用并缩小与神谕升级率差距，扩展了路由信号层次结构。

Towards Developing a Multimodal Chat Assistant for University Stakeholders: RAG-based Approach

面向大学利益相关者的多模态聊天助手开发：基于RAG的方法

Md Abu Hanif Shaikh, Abdullah Al Shafi

机构 * Institute of Information and Communication Technology, Khulna University of Engineering & Technology（信息与通信技术研究所，库尔纳工程技术大学） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 针对大学利益相关者获取信息困难的问题，提出基于检索增强生成的多模态聊天系统，结合大语言模型与语义检索，支持文本和图像查询，将幻觉率从31.7%降至6.6%。

Comments Accepted at 2025 28th International Conference on Computer and Information Technology (ICCIT)

Journal ref 2025 28th International Conference on Computer and Information Technology (ICCIT)

TechRAG: Evidence-Gated Multimodal Agentic RAG for Technical Literature Reasoning

TechGraphRAG：面向技术文献推理的智能图增强RAG框架

Kanwar Bharat Singh

机构 * Global Tire Intelligence and Solutions (GTIS)（全球轮胎智能与解决方案（GTIS）） ； The Goodyear Tire & Rubber Company（固特异轮胎与橡胶公司） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 提出一种13步自主流水线的智能检索增强生成框架，通过证据充分性评分、知识图谱遍历和自校正生成，支持领域特定技术文献推理。

Decoupling Semantics and Logic: A Training-Free Coarse-to-Fine Pipeline for Video Retrieval-Augmented Generation

解耦语义与逻辑：一种无需训练的从粗到精的视频检索增强生成流水线

Jiaxin Dai, Zehang Wei, Jiamin Yan, Xiang Xiang

机构 * School of Computer Science & Tech, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； School of AI and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） 纠错

专题命中 多模态RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(title)；dense retrieval(abstract)；分类 cs.CL、cs.AI

AI总结 提出一种无需训练的两阶段级联视频RAG流水线，通过解耦语义检索与逻辑推理，实现跨语言长视频理解、严格角色遵循和零幻觉时间定位。

Comments To be presented at ACL 2026 MAGMAR Workshop (Oral; Retrieval leaderboard No.1)