FishAI 2.0: Marine Fish Image Classification with Multi-modal Few-shot Learning
专题命中 多模态生成 ：multi-modal(title)；multimodal(abstract)；分类 cs.CV
AI 大模型
多模态大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
1. 多模态生成 15 篇
UniAlignment: Semantic Alignment for Unified Image Generation, Understanding, Manipulation and Perception
机构 * Ant Group（蚂蚁集团）
专题命中 多模态生成 ：multimodal(abstract)；multi-modal(abstract)；cross-modal(abstract)；分类 cs.CV
MotionVerse: A Unified Multimodal Framework for Motion Comprehension, Generation and Editing
机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology (ICT), Chinese Academy of Sciences (CAS)（智能信息处理重点实验室，计算技术研究所（ICT），中国科学院（CAS）） ； University of the Chinese Academy of Sciences（中国科学院大学）
专题命中 多模态生成 ：multimodal(title)；分类 cs.CV
Comments 17 pages, 6 figures
Scaling Synthetic Task Generation for Agents via Exploration
机构 * Apple（苹果公司）
专题命中 多模态生成 ：multimodal(abstract)；MLLM(abstract)；分类 cs.AI
UI2V-Bench: An Understanding-based Image-to-video Generation Benchmark
机构 * Peking University（北京大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Nankai University（南开大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Tsinghua University（清华大学）
专题命中 多模态生成 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV
RIV: Recursive Introspection Mask Diffusion Vision Language Model
机构 * Meituan（美团）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
LLMs Behind the Scenes: Enabling Narrative Scene Illustration
机构 * Midjourney ； Northwestern University（西北大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校）
专题命中 多模态生成 ：cross-modal(abstract)；分类 cs.CV、cs.CL
Comments Accepted at EMNLP 2025
DRCP: Diffusion on Reinforced Cooperative Perception for Perceiving Beyond Limits
机构 * Sony (China) Limited（索尼（中国）有限公司） ； Renmin University of China（中国人民大学） ； Fraunhofer IVI（弗劳恩霍夫IVI研究所）
专题命中 多模态生成 ：cross-modal(abstract)；分类 cs.CV
Environment-Aware Satellite Image Generation with Diffusion Models
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
Instruction Guided Multi Object Image Editing with Quantity and Layout Consistency
机构 * Beijing University of Posts（北京邮电大学） ； Telecommunications School of Digital Media（电信数字媒体学院）
专题命中 多模态生成 ：cross-modal(abstract)；分类 cs.CV
SVGThinker: Instruction-Aligned and Reasoning-Driven Text-to-SVG Generation
机构 * Shanghai Jiao Tong University（上海交通大学） ； SJTU Paris Elite Institute of Technology（上海交通大学巴黎精英理工学院）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
ColLab: A Collaborative Spatial Progressive Data Engine for Referring Expression Comprehension and Generation
机构 * Wuhan University of Technology（武汉理工大学） ； Northwestern Polytechnical University（西北工业大学） ； Tsinghua University（清华大学）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
DataPuzzle: Breaking Free from the Hallucinated Promise of LLMs in Data Analysis
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CL
ChartMaster: Advancing Chart-to-Code Generation with Real-World Charts and Chart Similarity Reinforcement Learning
机构 * South China University of Technology（华南理工大学） ； JD Future Academy（京东未来学院） ； Wuhan University（武汉大学）
专题命中 多模态生成 ：multimodal(abstract)
Emergent properties and the multiscale characterization challenge in condensed matter, from crystals to complex materials: a Review
专题命中 多模态生成 ：multimodal(abstract)
Journal ref J. Phys. D: Appl. Phys. 58 393001 (2025)
