视觉大模型 / VLM

Hierarchical Dual-Subspace Decoupling for Continual Learning in Vision-Language Models

层次双子空间解耦用于视觉-语言模型中的持续学习

Mengxin Qin, Xiang Zhang, Kun Wei, Xu Yang, Cheng Deng

机构 * School of Electronic Engineering, Xidian University（西电电子工程学院） 纠错

专题命中 其他VLM ：vision-language model(title,abstract)；分类 cs.CV

AI总结 本文提出HDSD框架，通过分解参数空间和结构化参数分解，减少子空间干扰和参数漂移，提升视觉-语言模型持续学习性能。

DIMoE-Adapters: Dynamic Expert Evolution for Continual Learning in Vision-Language Models

DIMoE-Adapters：动态专家进化用于视觉语言模型的持续学习

Mengxin Qin, Xiang Zhang, Xi Wang, Kun Wei, Xu Yang, Cheng Deng

机构 * School of Electronic Engineering, Xidian University（西安电子科技大学电子工程学院） 纠错

专题命中 其他VLM ：vision-language model(title,abstract)；分类 cs.CV

AI总结 本文提出DIMoE-Adapters框架，通过动态专家进化方法平衡持续学习中的稳定性与可塑性，解决多领域任务增量学习中的领域迁移问题。

CrossCult-KIBench: A Benchmark for Cross-Cultural Knowledge Insertion in MLLMs

CrossCult-KIBench：一种用于多模态大语言模型跨文化知识插入的基准测试

Zhen Zeng, Leijiang Gu, Feng Li, Jing Yu, Zenglin Shi

机构 * Hefei University of Technology（合肥工业大学） ； Key Laboratory of Ethnic Language Intelligent Analysis and Security Governance of MOE, Minzu University of China（民族语言智能分析与安全治理国家重点实验室，中央民族大学） ； School of Information Engineering, Minzu University of China（中央民族大学信息工程学院） 纠错

专题命中 其他VLM ：MLLM(abstract,abstract_cn)；multimodal large language model(abstract)；分类 cs.AI

AI总结 本文提出CrossCult-KIBench基准测试，用于评估跨文化知识插入的有效性及非目标文化的影响，通过9800个图像场景测试不同语言文化的适应性，提出MCKI方法并揭示了当前模型在文化适应与行为保持间的平衡难题。

How Far Are VLMs from Privacy Awareness in the Physical World? An Empirical Study

VLMs在物理世界中离隐私意识还有多远？一项实证研究

Junran Wang, Xinjie Shen, Zehao Jin, Pan Li

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 其他VLM ：vision-language model(abstract,abstract_cn)；分类 cs.AI

AI总结 本文通过实证研究揭示VLMs在物理环境中隐私意识的不足，提出ImmersedPrivacy框架评估模型在复杂场景中的隐私感知能力，发现现有模型在感知和隐私冲突处理上存在显著缺陷。

AudioFace: Language-Assisted Speech-Driven Facial Animation with Multimodal Language Models

AudioFace: 基于语言的语音驱动面部动画与多模态语言模型

Kai Zheng, Zejian Kang, Rui Mao, Hongyuan Zou, Yuanchen Fei, Xuanyang Xu, Xiangru Huang

机构 * Westlake University（西湖大学） ； Zhejiang University（浙江大学） ； Tiangong University（天工大学） ； Hunan University（湖南大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.CV

AI总结 本文提出AudioFace框架，通过语言和发音信息指导语音驱动的面部动作生成，提升语音与面部运动的对应精度。