多模态信息融合

SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation

SUPER ODOMETRY 2.0：基于分层自适应的弹性里程计

Shibo Zhao, Sifan Zhou, Yuchen Zhang, Ji Zhang, Chen Wang, Wenshan Wang, Sebastian Scherer

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University at Buffalo（布法罗大学） 纠错

专题命中 红外-可见光融合 ：sensor fusion(abstract)；分类 cs.RO

AI总结 本文提出Super Odometry 2.0传感器融合框架，通过分层自适应结构提升里程计鲁棒性，经多机器人多场景验证，为全退化环境下机器人自主提供支撑。

MSR-IVA: Masked Structural Residual Independent Vector Analysis for State-Aware Fusion of Structural MRI and Dynamic Functional Network Connectivity

MSR-IVA：用于结构MRI与动态功能连接状态感知融合的 masked 结构残差独立向量分析

Victor Solomon, Zening Fu, Rafal Angryk, Vince D. Calhoun, Jingyu Liu

机构 * Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） 纠错

专题命中 医学影像融合 ：multimodal fusion(abstract)

AI总结 该研究针对sMRI与dFNC融合时IVA方法的缺陷，提出MSR-IVA框架，在ADNI队列实验中提升匹配源耦合、降低非匹配依赖，实现受控结构共享以适配状态差异。

Comments Accepted at the 2026 IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2026), Atlanta, GA, USA

When Does Context Routing Help? A Systematic Study of Multi-Modal Fusion in Time Series Forecasting

上下文路由何时有用？时间序列预测中多模态融合的系统研究

Ruizhe Zhou, Gaoyuan Du, Xiaoyang Liu, Haoqi Yao, Deepayan Chakrabarti, Jiating Lin, Yixuan Shen

机构 * University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校） ； WorkMagic ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 融合架构与评测 ：multi-modal fusion(title)

AI总结 该研究明确了多模态时间序列预测中辅助上下文有效的两个数据集条件，通过实验证实仅当两条件满足时，文本条件专家调制可显著降低均方误差，且确立了因果关系。