通过双向关系推理与对齐实现多语言文本到图像行人检索

BiPVL-Seg：用于医学图像分割的具有全局-局部对齐的双向渐进视觉-语言融合

BiPVL-Seg: Bidirectional Progressive Vision-Language Fusion with Global-Local Alignment for Medical Image Segmentation

提出BiPVL-Seg端到端框架，通过双向渐进融合和全局-局部对比对齐强化视觉与文本特征交互，在CT和MR多类医学图像分割任务上超越现有方法。

共享视觉-语言嵌入空间的拓扑对齐

Topological Alignment of Shared Vision-Language Embedding Space

ToMCLIP通过拓扑对齐方法提升多语言视觉-语言模型的结构一致性和零样本性能

CLAIM：通过跨语言注意力干预缓解大视觉语言模型中的多语言对象幻觉

CLAIM: Mitigating Multilingual Object Hallucination in Large Vision-Language Models with Cross-Lingual Attention Intervention

针对大视觉语言模型多语言对象幻觉问题，提出近免训练的CLAIM方法，通过对齐跨语言注意力模式缓解幻觉，在多基准上取得显著提升，并发现中间层对多语言场景至关重要。

Meta-Aligner: 多目标大语言模型对齐的双向偏好-策略优化

Meta-Aligner: Bidirectional Preference-Policy Optimization for Multi-Objective LLMs Alignment

本文提出Meta-Aligner框架，通过双向优化偏好与策略响应，生成动态偏好以提升训练稳定性，实验证明其在多目标基准上的优越性能。

偏见超越国界：多语言大语言模型中的政治意识形态评估与引导

Bias Beyond Borders: Political Ideology Evaluation and Steering in Multilingual LLMs

本文提出跨语言对齐引导框架，用于评估和减轻多语言LLM中的政治偏见，通过跨语言对齐意识形态表示以实现公平性与多样性的平衡。

Is Aligning Embedding Spaces a Challenging Task? A Study on Heterogeneous Embedding Alignment Methods

Representation Learning of words and Knowledge Graphs (KG) into low dimensional vector spaces along with its applications to many real-world scenarios have recently gained momentum. In order to make use of multiple KG embeddings for knowledge-driven applications such as question answering, named entity disambiguation, knowledge graph completion, etc., alignment of different KG embedding spaces is necessary. In addition to multilinguality and domain-specific information, different KGs pose the problem of structural differences making the alignment of the KG embeddings more challenging. This pap…

PMMT：通过 LLM 蒸馏实现多语言机器翻译中的偏好对齐

PMMT: Preference Alignment in Multilingual Machine Translation via LLM Distillation

本文提出 PMMT 方法，利用 LLM 生成特定偏好语料并蒸馏至小模型，在偏好对齐翻译任务中大幅领先，且在 WMT 等基准上具竞争力。

M2Lingual：增强大型语言模型中的多语言多轮指令对齐

M2Lingual: Enhancing Multilingual, Multi-Turn Instruction Alignment in Large Language Models

提出完全合成的多语言多轮指令微调数据集M2Lingual，利用两步Evol分类法将种子示例转换为复杂指令，覆盖70种语言和17+种NLP任务，有效提升了不同规模LLMs的多语言对齐性能。

RLHF能说多种语言：解锁大语言模型的多语言偏好优化

RLHF Can Speak Many Languages: Unlocking Multilingual Preference Optimization for LLMs

本文通过提出可扩展的多语言反馈数据生成方法并利用跨语言迁移与更大规模偏好训练数据，将LLM偏好优化对齐扩展到23种语言，并在多语言基准上超越Aya 23 8B等现有模型。

通过大视觉语言模型辅助对齐任务特定视觉模型

LVLM-Aided Alignment of Task-Specific Vision Models

通过大视觉语言模型辅助对齐任务特定视觉模型，提升模型与人类规范的一致性。

Indic-TunedLens：解读印度语言多语言模型

Indic-TunedLens: Interpreting Multilingual Models in Indian Languages

Indic-TunedLens通过学习共享仿射变换，为印度语言提供更准确的模型表示解码，提升多语言模型的可解释性。

双向知识蒸馏：利用大语言模型增强序列推荐

Bidirectional Knowledge Distillation for Enhancing Sequential Recommendation with Large Language Models

提出LLMD4Rec双向蒸馏框架，通过动态交互知识交换增强序列推荐，无需额外参数且不增推理成本，显著提升推荐准确性。

弥合语言鸿沟：基于多语言大语言模型的跨语言信息检索研究进展

Bridging Language Gaps: Advances in Cross-Lingual Information Retrieval with Multilingual LLMs

本综述梳理了跨语言信息检索从基于翻译到嵌入驱动、生成式技术的发展，介绍其核心组件、评估与资源，指出现存挑战并提出未来发展方向。

Synchronous Bidirectional Learning for Multilingual Lip Reading

Lip reading has received increasing attention in recent years. This paper focuses on the synergy of multilingual lip reading. There are about as many as 7000 languages in the world, which implies that it is impractical to train separate lip reading models with large-scale data for each language. Although each language has its own linguistic and pronunciation rules, the lip movements of all languages share similar patterns due to the common structures of human organs. Based on this idea, we try to explore the synergized learning of multilingual lip reading in this paper, and further propose a s…

相同的价值观，不同的语言？从多语言探针到引导大语言模型趋向中国社会价值观

Same Values, Different Languages? From Multilingual Probing to Steering LLMs Toward Chinese Social Values

本研究构建多语言对比数据集C-Voices，提出无需微调的价值观向量引导方法，发现大语言模型价值观偏好存在语言敏感性，并实现有效的跨语言价值观对齐。

Icon$^{2}$：通过内在调控利用自合成偏好数据对齐大型语言模型

Icon$^{2}$: Aligning Large Language Models Using Self-Synthetic Preference Data via Inherent Regulation

本文提出Icon$^{2}$方法，利用LLM表示空间的内在调控构建自合成偏好数据，通过方向向量过滤指令和双向控制生成响应对，显著提升对齐效果并降低计算成本。

MyoSem: 将肌电图与自然语言动作语义对齐以实现手部动作理解

MyoSem: Aligning Electromyography with Natural-Language Action Semantics

提出MyoSem框架，通过多视角动作语义构建、激活感知EMG编码和语义查询对齐，实现EMG信号与文本描述的双向检索，在多个数据集上优于基线方法并展现良好泛化性。

Northeastern Uni在多语言反制言论生成中：通过直接偏好优化的LLM对齐增强反制言论生成

Northeastern Uni at Multilingual Counterspeech Generation: Enhancing Counter Speech Generation with LLM Alignment through Direct Preference Optimization

本文提出通过SFT和DPO对齐LLM并结合知识基础，显著提升了多语言环境下的反制言论生成质量，DPO模型在CS基准上超越基线并有效扩展至多语言。

Mind the Gap：将视觉基础模型对齐到图像特征匹配

Mind the Gap: Aligning Vision Foundation Models to Image Feature Matching

针对视觉基础模型在图像特征匹配中的不对齐问题，提出基于扩散模型的IMD框架，通过捕获实例级细节和跨图像交互提示模块，在多实例场景新基准IMIM上提升12%，达到SOTA。

评估菜单OCR与翻译：一个用于对齐人类与大视觉语言模型自动评估的基准

Evaluating Menu OCR and Translation: A Benchmark for Aligning Human and Automated Evaluations in Large Vision-Language Models

针对现有大视觉语言模型评估忽视复杂布局长文本理解能力的问题，本文提出专门的菜单OCR与翻译基准MOTBench，其自动评估与人类评估高度一致，可用于评估模型性能并指导后续发展。

面向标准化文本的基于多模态大语言模型的超声报告生成

Ultrasound Report Generation with Multimodal Large Language Models for Standardized Texts

针对超声报告生成缺乏统一数据集、自动化难的问题，提出整合基于片段的多语言训练、对齐模块化文本与成像数据、结合ViT选择性解冻微调的统一框架，在多器官多语言场景下多项指标优于现有最优方法，具备临床应用潜力。

渐进式代码切换作为大语言模型推理时的跨语言表征对齐

Gradual Code-Switching as Inference-Time Cross-Lingual Representational Alignment for LLMs

针对大语言模型跨语言性能不均衡问题，提出推理时的代码切换上下文学习机制，经多模型、多语言、多数据集验证，可显著提升目标及未见语言任务性能，尤其在低资源场景表现突出。

ZeroNLG：面向零样本多模态与多语言自然语言生成的域对齐与自编码

ZeroNLG: Aligning and Autoencoding Domains for Zero-Shot Multimodal and Multilingual Natural Language Generation

提出零样本学习框架ZeroNLG，通过将跨模态与跨语言域投影并对齐到共享潜在空间，并构建无监督多语言自编码器，在无需任何标注下游配对数据的情况下统一处理图像描述、视频描述和机器翻译等多种NLG任务，显著优于现有零样本方法。

MURI：通过反向指令为低资源语言构建高质量指令微调数据集

MURI: High-Quality Instruction Tuning Datasets for Low-Resource Languages via Reverse Instructions

本文提出MURI方法，利用反向指令和翻译流水线，无需人工标注即可为200种低资源语言生成超200万指令-输出对，经评估和微调实验验证，有效提升NLU和开放式生成性能。

M3DR：迈向通用多语言多模态文档检索

M3DR: Towards Universal Multilingual Multimodal Document Retrieval

M3DR提出了一种通用多语言多模态文档检索框架，通过对比训练实现跨语言和跨模态对齐，显著提升了多语言场景下的检索性能。

通过双向生成对齐学习隐式实体-对象关系用于多模态命名实体识别

Learning Implicit Entity-object Relations by Bidirectional Generative Alignment for Multimodal NER

本文提出BGA-MNER方法，通过双向生成对齐和阶段细化上下文采样器学习隐式实体-对象关系，在推理时无需图像输入即可在多模态命名实体识别中取得最先进性能。

使用图像比较进行多语言文档中的文本变化检测

Text Change Detection in Multilingual Documents Using Image Comparison

针对多语言文档比较中OCR语言模型选择困难及混合模型性能受限的问题，提出基于词级图像比较和多尺度注意力特征的TCD模型，并构建多语言打印扫描词对数据集进行验证。

ViTA: Visual-Linguistic Translation by Aligning Object Tags

Multimodal Machine Translation (MMT) enriches the source text with visual information for translation. It has gained popularity in recent years, and several pipelines have been proposed in the same direction. Yet, the task lacks quality datasets to illustrate the contribution of visual modality in the translation systems. In this paper, we propose our system under the team name Volta for the Multimodal Translation Task of WAT 2021 from English to Hindi. We also participate in the textual-only subtask of the same language pair for which we use mBART, a pretrained multilingual sequence-to-sequen…

多语言自然场景文本检测算法研究

Research on Multilingual Natural Scene Text Detection Algorithm

针对自然场景多语言文本检测精度低的问题，提出结合SFM Swin Transformer、AS-HRFPN和全局语义分割分支的多语言文本检测算法，构建真实数据集，F-measure达85.02%，并验证了跨数据集通用性。

双向多步域泛化用于可见光-红外行人重识别

Bidirectional Multi-Step Domain Generalization for Visible-Infrared Person Re-Identification

针对可见光-红外行人重识别的跨模态差异问题，提出双向多步域泛化（BMDG）方法，通过学习对齐身体部位特征创建虚拟中间域，分两步最小化跨模态差距，实验表明其性能优于现有方法且可增强其他基于部位的方法。

面向遥感领域的多语言视觉-语言预训练

Multilingual Vision-Language Pre-training for the Remote Sensing Domain

针对遥感领域CLIP适配多语言输入研究不足的问题，该研究提出RS-M-CLIP模型，结合标准CLIP目标与局部全局表征对齐自监督方法微调多语言CLIP，用翻译扩充的多语言数据训练，在多项视觉-语言任务上达SOTA。

PatchCT：面向多标签图像分类，利用条件传输对齐补丁集与标签集

PatchCT: Aligning Patch Set and Label Set with Conditional Transport for Multi-Label Image Classification

本文提出 PatchCT，将多标签图像分类建模为条件传输问题，通过双向 CT 代价对齐图像补丁嵌入与标签嵌入，并在三个公开基准上持续超越以往方法。

Aya Vision：推进多语言多模态的前沿

Aya Vision: Advancing the Frontier of Multilingual Multimodality

针对多语言多模态建模中的数据稀缺、翻译失真与灾难性遗忘问题，本文提出合成标注框架和跨模态模型合并技术，打造 Aya Vision 8B/32B 并以更小规模取得领先性能。

Fast and Accurate Scene Parsing via Bi-direction Alignment Networks

In this paper, we propose an effective method for fast and accurate scene parsing called Bidirectional Alignment Network (BiAlignNet). Previously, one representative work BiSeNet~\cite{bisenet} uses two different paths (Context Path and Spatial Path) to achieve balanced learning of semantics and details, respectively. However, the relationship between the two paths is not well explored. We argue that both paths can benefit each other in a complementary way. Motivated by this, we propose a novel network by aligning two-path information into each other through a learned flow field. To avoid the …

轮廓到边缘配准：口腔内扫描模型与头影测量X光片的对齐

Silhouette-to-Contour Registration: Aligning Intraoral Scan Models with Cephalometric Radiographs

针对口腔内扫描模型与头影测量X光片3D-2D对齐的临床挑战，提出DentalSCR轮廓引导框架，通过UMDA坐标系、类X光投影及分层优化，在34例病例中实现更优的地标精度与轮廓一致性，优于传统方法。