CL-Anomaly：用于异常检测中持续学习的具有多模态大语言模型的层自适应专家混合模型

基于对比学习提示词的无监督持续异常检测

Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt

针对工业制造中无监督异常检测的灾难性遗忘问题，提出UCAD框架，通过对比学习提示词和结合SAM的基于结构对比学习，赋予模型持续学习能力，显著优于现有异常检测方法。

利用模态感知特征蒸馏增强视觉问答中的持续学习

Enhancing Continual Learning in Visual Question Answering with Modality-Aware Feature Distillation

针对视觉问答持续学习中多模态输入演化速率不同导致遗忘的问题，提出模态感知特征蒸馏（MAFED）方法，有效提升了多模态持续学习性能并防止遗忘。

Continual Learning for Anomaly Detection in Surveillance Videos

Anomaly detection in surveillance videos has been recently gaining attention. A challenging aspect of high-dimensional applications such as video surveillance is continual learning. While current state-of-the-art deep learning approaches perform well on existing public datasets, they fail to work in a continual learning framework due to computational and storage issues. Furthermore, online decision making is an important but mostly neglected factor in this domain. Motivated by these research gaps, we propose an online anomaly detection method for surveillance videos using transfer learning and…

面向持续多模态指令调优的课程LoRA专家动态混合方法

Dynamic Mixture of Curriculum LoRA Experts for Continual Multimodal Instruction Tuning

针对多模态大语言模型持续指令调优中的架构冲突与模态不平衡问题，提出参数预算下动态演进架构的D-MoLE方法，通过动态层级专家分配与模态间持续课程策略，较最优基线平均提升15%，为首项从架构视角开展的MLLM持续学习研究。

面向多模态任务持续学习的动态Transformer架构

Dynamic Transformer Architecture for Continual Learning of Multimodal Tasks

针对现有持续学习方法多聚焦单模态、大型预训练Transformer微调成本高的问题，提出基于Transformer的TAM-CL框架，通过新增任务专属参数、知识蒸馏实现多模态任务持续学习，缓解灾难性遗忘，开销低且达SOTA性能。

CL-BioGAN：用于高光谱异常检测的受生物启发的跨域持续学习

CL-BioGAN: Biologically-Inspired Cross-Domain Continual Learning for Hyperspectral Anomaly Detection

针对跨场景高光谱异常检测中持续学习的稳定性与灵活性矛盾，提出受生物启发的CL-BioGAN，通过主动遗忘、CL损失与自注意力GAN平衡性能和成本。

AlphaWiSE：用于连续多模态表示学习的自适应权重插值

AlphaWiSE: Adaptive Weight Interpolation for Continual Multimodal Representation Learning

研究连续多模态表示学习中跨模态对齐被破坏的问题，提出AlphaWiSE方法，通过事后权重空间插值，由两个冻结源检查点拟合系数实现插值检查点，在多模态检索实验中相比基线有持续改进。

MCITlib: 多模态持续指令微调库与基准

MCITlib: Multimodal Continual Instruction Tuning Library and Benchmark

MCITlib提供多模态持续学习的库和基准，支持8种算法并评估3个基准，旨在解决灾难性遗忘和跨模态协调问题。

Octopus：无历史梯度正交化用于多模态大语言模型中的持续学习

Octopus: History-Free Gradient Orthogonalization for Continual Learning in Multimodal Large Language Models

Octopus提出一种基于无历史梯度正交化的方法，通过两阶段微调策略平衡持续学习中的可塑性与稳定性，实验表明其在UCIT数据集上性能优于现有最佳方法。

$ϕ$-DPO：面向大多模态模型持续学习的公平性直接偏好优化方法

$ϕ$-DPO: Fairness Direct Preference Optimization Approach to Continual Learning in Large Multimodal Models

本文提出$ϕ$-DPO框架，通过直接偏好优化缓解持续学习中的灾难性遗忘问题，并解决数据不平衡导致的公平性问题，实验表明其在多个基准上表现优异。

面向边缘端视觉异常检测的内存高效持续学习

Memory Efficient Continual Learning for Edge-Based Visual Anomaly Detection

针对边缘设备资源受限及数据动态变化挑战，研究视觉异常检测的持续学习问题，发现PaSTe方法结合Compressed Replay技术在提升检测性能的同时大幅降低内存开销。

使用持续学习改进多模态大语言模型

Improving Multimodal Large Language Models Using Continual Learning

本研究将视觉模型集成至LLM视为持续学习问题，评估五种方法缓解遗忘，提出在保持多模态准确率的同时将语言性能退化降低高达15%的技术。

C3D-AD：通过具有可学习顾问的内核注意力实现持续3D异常检测

C3D-AD: Toward Continual 3D Anomaly Detection via Kernel Attention with Learnable Advisor

提出持续3D异常检测框架C3D-AD，通过内核注意力与可学习顾问机制，实现多类别点云泛化表示及新类别持续学习，在三个数据集上取得优异AUROC。

边缘上的持续视觉异常检测：基准测试与高效解决方案

Continual Visual Anomaly Detection on the Edge: Benchmark and Efficient Solutions

本文提出边缘持续视觉异常检测的首个全面基准测试，评估了七种模型在三种轻量级架构上的表现，并提出Tiny-Dinomaly模型在内存和计算成本上显著降低的同时提升Pixel F1指标。

调谐反向蒸馏：使用跨模态调谐器增强多模态工业异常检测

Tuned Reverse Distillation: Enhancing Multimodal Industrial Anomaly Detection with Crossmodal Tuners

本文针对多模态工业异常检测问题，提出基于多分支设计的调谐反向蒸馏方法，通过为各模态设独立分支及设计跨模态调谐器，增强模态交互，能更精细检测异常，实验验证其在多模态异常检测和定位上达最优性能。

双曲多模态持续学习：最近可行解

Hyperbolic Multimodal Continual Learning: A Closest-Admissible Solution

针对双曲多模态持续学习中的几何失真问题，提出HMCL方法，通过最近可行校正保留共享等距，在16任务流上提升性能并减少漂移。

NeuCME：通过多专家神经组合实现动态多模态持续学习

NeuCME: Toward Dynamic Multimodal Continual Learning via Neural Combinatorics of Multiple Experts

针对模态集合随任务变化的动态多模态持续学习，提出NeuCME框架，结合模态组合重演、多门控专家混合和任务相关性引导蒸馏，在四个真实数据集上显著优于现有方法。

SiM3D：单实例多视图多模态多设置3D异常检测基准

SiM3D: Single-instance Multiview Multimodal and Multisetup 3D Anomaly Detection Benchmark

SiM3D是首个集成多视图与多模态信息的3D异常检测基准，针对单实例训练场景，支持从合成数据泛化到真实测试，并提供新数据集与基线评估方法。

大型多模态模型的持续指令调优

Continual Instruction Tuning for Large Multimodal Models

本文研究大型多模态模型在持续指令调优中的灾难性遗忘问题，建立首个基准，并提出基于任务相似性的正则化与模型扩展方法以持续提升性能。

MLLM-CL：面向多模态大语言模型的持续学习

MLLM-CL: Continual Learning for Multimodal Large Language Models

针对多模态大语言模型在动态场景下持续学习新知识技能的难题，本文提出包含领域与能力两类持续学习的MLLM-CL基准，以及基于参数隔离和MLLM路由的抗遗忘方法，实验证明其性能显著优于现有方法。

从架构视角重新审视用于3D异常检测的多模态融合

Revisiting Multimodal Fusion for 3D Anomaly Detection from an Architectural Perspective

本文系统研究了多模态融合架构设计对3D异常检测的影响，涵盖模块内和模块间融合层级，并提出3D-ADNAS首次同时搜索多模态融合策略与模态特定模块，在准确率、帧率和内存上取得一致提升且在少样本任务中潜力显著。

面向医学领域的持续视觉异常检测

Towards Continual Visual Anomaly Detection in the Medical Domain

本研究首次探索医学领域持续学习场景下的视觉异常检测应用，提出PatchCore模型的持续学习版本PatchCoreCL，基于BMAD数据集评估显示其性能与特定任务模型相当且遗忘值低于1%，验证了持续学习的可行性与潜力。

学习新概念，记住旧知识：多模态概念瓶颈模型的持续学习

Learning New Concepts, Remembering the Old: Continual Learning for Multimodal Concept Bottleneck Models

针对多模态概念瓶颈模型在动态数据流下的持续学习难题，提出CONCIL框架，将概念与决策层更新重构为线性回归，避免灾难性遗忘，实现绝对知识记忆并显著超越传统方法。

CLiMB: A Continual Learning Benchmark for Vision-and-Language Tasks

Current state-of-the-art vision-and-language models are evaluated on tasks either individually or in a multi-task setting, overlooking the challenges of continually learning (CL) tasks as they arrive. Existing CL benchmarks have facilitated research on task adaptation and mitigating "catastrophic forgetting", but are limited to vision-only and language-only tasks. We present CLiMB, a benchmark to study the challenge of learning multimodal tasks in a CL setting, and to systematically evaluate how upstream continual learning can rapidly generalize to new multimodal and unimodal tasks. CLiMB incl…

动态跨模态提示生成用于多模态持续指令微调

Dynamic Cross-Modal Prompt Generation for Multimodal Continual Instruction Tuning

本文提出DRAPE框架，通过生成连续实例特定的软提示提升多模态持续指令微调性能，采用跨模态注意力和投影梯度投影减少遗忘，实验显示优于现有基线方法。

设备端持续学习用于动态制造中的无监督视觉异常检测

On-Device Continual Learning for Unsupervised Visual Anomaly Detection in Dynamic Manufacturing

本文提出了一种设备端持续学习方法，用于动态制造中的无监督视觉异常检测，通过轻量级特征提取器和增量coreset更新机制实现快速适应和高效资源利用。

持续多模态预训练实践者指南

A Practitioner's Guide to Continual Multimodal Pretraining

本文提出 FoMo-in-Flux 基准，基于 63 个数据集系统评估数据、方法、调度及规模因素，为真实部署中的持续多模态预训练提供实践指南。

MCLC-NET：多模态持续学习用于叶片计数

MCLC-NET: Multimodal Continual Learning for Leaf Counting

提出MCLC-NET多模态持续学习框架，结合记忆缓冲策略，并构建MMLC数据集，在叶片计数任务中显著优于现有方法，实现跨作物、时间及混合顺序的稳健性能。

多模态大语言模型的模态不一致持续学习

Modality-Inconsistent Continual Learning of Multimodal Large Language Models

本文提出MICL，一种针对多模态大语言模型的持续学习场景，涉及不一致的模态和变化的任务类型。通过伪目标生成模块和基于指令的知识蒸馏，解决任务类型转移导致的遗忘问题，实验验证了方法的有效性。

LLaVA-c：持续改进的视觉指令微调

LLaVA-c: Continual Improved Visual Instruction Tuning

针对多模态视觉指令微调中多任务学习的任务平衡难、易遗忘及基础模型退化问题，提出含谱感知巩固和无监督查询正则化的LLaVA-c方法，首次实现逐任务持续学习效果匹配或超越多任务联合学习。

面向自适应以人为中心的视频异常检测：一个综合框架与新基准

Towards Adaptive Human-centric Video Anomaly Detection: A Comprehensive Framework and A New Benchmark

针对以人为中心的视频异常检测面临的行为复杂、异常稀缺、伦理约束等挑战，提出HuVAD隐私增强数据集与UCAL无监督持续学习框架，在多数场景下刷新SOTA。

MMR-AD：一个大规模多模态数据集，用于基于多模态大语言模型的通用异常检测基准测试

MMR-AD: A Large-Scale Multimodal Dataset for Benchmarking General Anomaly Detection with Multimodal Large Language Models

本文提出MMR-AD数据集，用于评估多模态大语言模型在通用异常检测中的性能，揭示当前SOTA模型与工业需求的差距，并提出基于推理的Anomaly-R1模型，实现了异常检测与定位的显著提升。

面向缺失模态持续适应的高效提示

Efficient Prompting for Continual Adaptation to Missing Modalities

将动态缺失模态问题表述为持续学习任务，提出模态特定、任务感知和任务特定三种提示及对比任务交互策略，在三个公开数据集上持续优于现有方法。

推理可移植性：引导MLLMs在RLVR时代的持续学习

Reasoning Portability: Guiding Continual Learning for MLLMs in the RLVR Era

本文提出了一种名为推理可移植性（RP）的机制，通过在持续学习中引入推理层面的约束，改进了多模态大语言模型在RLVR环境下的适应能力，实验表明RDB-CL在提升最后准确率方面优于基线方法。

STELLA：具有时空局部对齐的持续音频-视频预训练

STELLA: Continual Audio-Video Pre-training with Spatio-Temporal Localized Alignment

提出STELLA持续音频-视频预训练方法，通过局部补丁重要性评分和重放引导相关性评估，实现有效学习，在零样本检索中相对提升3.69%，内存减少约45%。

AG-VAS：基于大多模态模型的锚引导零样本视觉异常分割

AG-VAS: Anchor-Guided Zero-Shot Visual Anomaly Segmentation with Large Multimodal Models

AG-VAS通过引入三个可学习的语义锚点，建立统一的锚引导分割范式，提升零样本视觉异常分割的精度与性能。

LLMs能够针对X模态推理在模态上持续演化

LLMs Can Evolve Continually on Modality for X-Modal Reasoning

提出PathWeave框架，通过AnA适配器和MoE门控模块实现MLLMs的模态持续学习，无需联合模态预训练，在MCL基准上表现优异且减少98.73%训练负担。

神经崩溃引导的无任务持续异常检测

Neural-Collapse-guided Task-Free Continual Anomaly Detection

本文提出受神经崩溃启发的NC-TFAD框架，通过冻结骨干网络、对齐特征至ETF空间、生成合成异常样本及引入正则化与FNCC损失，在无任务持续异常检测任务中优于现有方法，为工业应用提供鲁棒方案。

用于联邦多模态大语言模型微调的弹性正则化和合成重放持续学习

Continual Learning with Elastic Regularization and Synthetic Replay for Federated MLLM Fine-Tuning

研究针对联邦多模态大语言模型微调中灾难性遗忘问题，提出FedCMM框架，在参数、数据、聚合三个层面嵌入持续学习保障，经实验验证该框架在准确性和反向迁移上优于基线，能实现跨异构网络AI部署的稳健进化适应。

CP-MoE：一致性保留的混合专家用于持续学习

CP-MoE: Consistency-Preserving Mixture-of-Experts for Continual Learning

本文提出CP-MoE，一种基于瞬时专家的持续学习框架，通过一致性保留的路由偏置和瞬时专家引导的正则化机制，减少参数干扰和遗忘，同时保留跨任务知识转移。

通过多模态持续预训练增强视觉基础模型

Enhancing Vision Foundation Models via Multimodal Continual Pre-Training

研究通过多模态持续预训练增强视觉基础模型，提出M-CPT框架，用持续位置嵌入处理不同分辨率视觉输入，通过特征对齐目标提升视觉与文本表示一致性，实验证明该框架能提升多模态理解性能并保持标准视觉任务表现。

MECAD：一种多专家架构用于持续异常检测

MECAD: A multi-expert architecture for continual anomaly detection

MECAD通过多专家架构实现持续异常检测，利用优化的coreset选择和重放缓冲机制，有效减少知识退化，提升计算效率和适应性。

GCR：面向任务无关持续异常检测的几何一致性路由

GCR: Geometry-Consistent Routing for Task-Agnostic Continual Anomaly Detection

GCR通过几何一致性路由提升持续异常检测的稳定性，减少遗忘并保持检测性能。

通过正交LoRA库保持正态性的持续工业异常检测

Normality-Preserving Continual Industrial Anomaly Detection via Orthogonal LoRA Banks

提出基于历史冻结正交LoRA库和分层新颖性自适应库增长模块的框架，解决扩散模型在持续工业异常检测中的历史正态先验漂移和灾难性遗忘问题。

One-for-More：用于异常检测的持续扩散模型

One-for-More: Continual Diffusion Model for Anomaly Detection

本文针对扩散模型在持续异常检测中的保真幻觉与灾难性遗忘问题，提出基于梯度投影的持续扩散模型，并通过迭代奇异值分解降低内存开销，同时引入异常掩码网络增强条件机制，在 MVTec 和 VisA 上取得领先性能。

DeCoFlow: 用于持续异常检测的归一化流结构分解

DeCoFlow: Structural Decomposition of Normalizing Flows for Continual Anomaly Detection

针对工业环境中新产品类别顺序到达且无法访问旧数据的持续异常检测问题，提出DeCoFlow方法，通过将子网络分解为冻结通用基和任务特定低秩适配器来隔离参数更新，并引入任务特定对齐、辅助耦合层和尾感知损失，在MVTec-AD和VisA数据集上达到最先进性能且零遗忘。

ModalPrompt：基于双模态引导提示的高效多模态持续指令调优

ModalPrompt: Towards Efficient Multimodal Continual Instruction Tuning with Dual-Modality Guided Prompt

针对大型多模态模型在动态新任务中持续学习时的知识遗忘与效率问题，提出双模态引导的提示学习框架ModalPrompt，通过提示融合迁移知识、提示选择管理复杂度，在MCIT基准上性能提升14.26%且推理速度快1.42倍。

ReplayCAD：用于持续异常检测的生成式扩散回放

ReplayCAD: Generative Diffusion Replay for Continual Anomaly Detection

针对持续异常检测中的灾难性遗忘与小异常区域分割难题，提出ReplayCAD扩散生成回放框架，利用语义与空间特征压缩并回放多样化像素级历史数据，在VisA和MVTec上取得显著分割提升。

基于混合融合的多模态工业异常检测

Multimodal Industrial Anomaly Detection via Hybrid Fusion

针对多模态工业异常检测中特征直接拼接导致干扰的问题，提出采用混合融合方案的M3DM模型，通过对比学习、决策层融合及点特征对齐提升检测精度，在MVTec-3D AD数据集上优于SOTA方法。

重新思考边缘上的持续异常检测：在现实工业条件下进行基准测试

Rethinking Continual Anomaly Detection on the Edge: Benchmarking Under Realistic Industrial Conditions

针对现有持续异常检测方法在评估、比较和边缘部署约束上的不足，提出统一基准和训练无关方法DINOSaur，在多种协议下超越所有现有方法，并在边缘设备上实现快速推理和适应。

重新思考多模态零样本异常检测中的辅助模态：从语义融合到条件调制

Rethinking Auxiliary Modalities in Multimodal Zero-shot Anomaly Detection: From Semantic Fusion to Conditional Modulation

本研究针对现有多模态零样本异常检测方法的缺陷，提出即插即用的辅助条件增强框架，通过全局到局部的条件调制实现选择性多模态增强，在MVTec 3D-AD等数据集上提升了现有RGB零样本异常检测器的性能并达到最优。

基于文本引导的多模态统一工业异常检测

Text-Guided Multimodal Unified Industrial Anomaly Detection

本文提出基于文本语义的多模态统一工业异常检测框架，解决跨模态对齐和几何建模不足问题，通过几何感知跨模态映射和对象条件文本特征适配器实现多模态特征对齐，实现跨类别的准确异常检测。

Hyper-LLaVA：用于多模态持续指令调优的双曲不确定性感知模态平衡路由

Hyper-LLaVA: Hyperbolic Uncertainty-aware Modality-Balanced Routing for Multimodal Continual Instruction Tuning

针对多模态持续指令调优中参数路由的模态内信息利用不足和模态间可靠性差异问题，提出双曲不确定性感知模态平衡路由（Hyper-LLaVA），通过双曲空间分布相似性和不确定性量化实现自适应模态平衡，大幅超越现有方法。

AdapTS: 为多类和持续视觉异常检测设计的轻量级教师-学生方法

AdapTS: Lightweight Teacher-Student Approach for Multi-Class and Continual Visual Anomaly Detection

本文提出AdapTS，一种用于多类和持续学习的教师-学生框架，通过共享冻结主干和轻量级可训练适配器减少内存开销，实验证明其在边缘部署中的高效性。