Small Vocabularies, Big Gains: Pretraining and Tokenization in Time Series Models
专题命中 多模态训练与对齐 ：multi-modal(abstract)；分类 cs.CL、cs.AI
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. 多模态训练与对齐 25 篇
Skeletons Speak Louder than Text: A Motion-Aware Pretraining Paradigm for Video-Based Person Re-Identification
专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CV
DiffPixelFormer: Differential Pixel-Aware Transformer for RGB-D Indoor Scene Segmentation
机构 * State Key Laboratory of Robotics and System, Harbin Institute of Technology（机器人系统国家重点实验室，哈尔滨工业大学） ； Institute for Infocomm Research, A*STAR（信息通信研究机构，A*STAR） ； College of Information Science and Electronic Engineering, Zhejiang University（信息科学与电子工程学院，浙江大学）
专题命中 多模态训练与对齐 ：cross-modal(abstract)；分类 cs.CV
Comments 11 pages, 5 figures, 5 tables
MdaIF: Robust One-Stop Multi-Degradation-Aware Image Fusion with Language-Driven Semantics
专题命中 多模态训练与对齐 ：multi-modal(abstract)；分类 cs.CV
Comments 10 pages, 7 figures. Accepted by AAAI 2026
Fast Reasoning Segmentation for Images and Videos
机构 * Department of Computer Science, Johns Hopkins University（计算机科学系，约翰·霍普金斯大学）
专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CV
Constructing and Interpreting Digital Twin Representations for Visual Reasoning via Reinforcement Learning
机构 * Department of Computer Science, Johns Hopkins University（计算机科学系，约翰霍普金斯大学）
专题命中 多模态训练与对齐 ：multi-modal(abstract)；分类 cs.CV
Suppressing VLM Hallucinations with Spectral Representation Filtering
机构 * Tel Aviv University（特拉维夫大学）
专题命中 多模态训练与对齐 ：cross-modal(abstract)；分类 cs.CV
SFFR: Spatial-Frequency Feature Reconstruction for Multispectral Aerial Object Detection
机构 * School of Computer, Jiangsu University of Science and Technology（江苏科技大学计算机学院） ； School of Electrical and Information Engineering, Jiangsu University（江苏大学电气与信息工程学院） ； School of Automation, Southeast University（东南大学自动化学院）
专题命中 多模态训练与对齐 ：cross-modal(abstract)；分类 cs.CV
Comments 11 pages,8 figures, accepted by IEEE TGRS
IDOL: Meeting Diverse Distribution Shifts with Prior Physics for Tropical Cyclone Multi-Task Estimation
专题命中 多模态训练与对齐 ：multi-modal(abstract)；分类 cs.AI
Beyond H&E: Unlocking Pathological Insights with Polarization Imaging
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Beijing Institute of Collaborative Innovation（北京协同创新研究院） ； Peking University Health Science Center, Peking University Third Hospital（北京大学人民医院） ； University of Oxford（牛津大学） ； Peking University（北京大学）
专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CV
Comments Accepted as a regular paper at IEEE BIBM 2025
ZeroDexGrasp: Zero-Shot Task-Oriented Dexterous Grasp Synthesis with Prompt-Based Multi-Stage Semantic Reasoning
机构 * Shenzhen University（深圳大学） ； Sun Yat-sen University（中山大学） ； Ant Group（蚂蚁集团）
专题命中 多模态训练与对齐 ：multimodal(abstract)
DR. Nav: Semantic-Geometric Representations for Proactive Dead-End Recovery and Navigation
机构 * Dept. of Computer Science at the University of Virginia（弗吉尼亚大学计算机科学系） ； Dept. of Computer Science at the University of Maryland College Park（马里兰大学学院市计算机科学系）
专题命中 多模态训练与对齐 ：cross-modal(abstract)
Bridging the Modality Gap: Enhancing Channel Prediction with Semantically Aligned LLMs and Knowledge Distillation
专题命中 多模态训练与对齐 ：cross-modal(abstract)
Synergistic Feature Fusion for Latent Lyrical Classification: A Gated Deep Learning Architecture
机构 * Independent Researcher（独立研究者）
专题命中 多模态训练与对齐 ：multimodal(abstract)
2. 其他多模态 8 篇
MMSense: Adapting Vision-based Foundation Model for Multi-task Multi-modal Wireless Sensing
机构 * North Carolina State University, USA（北卡罗来纳州立大学） ； University of Virginia, USA（弗吉尼亚大学） ； Singapore University of Technology（新加坡科技设计大学） ； NVIDIA Corporation, USA（英伟达公司）
专题命中 其他多模态 ：multi-modal(title,abstract)；cross-modal(abstract)
Mitigating Spurious Correlations in Patch-wise Tumor Classification on High-Resolution Multimodal Images
机构 * Computer Vision Group（计算机视觉组） ； Friedrich Schiller University（弗里德里希·席勒大学）
专题命中 其他多模态 ：multimodal(title,abstract)
Comments Accepted at EurIPS 2025 Workshop: Unifying Perspectives on Learning Biases (UPLB)
Compact Multimodal Language Models as Robust OCR Alternatives for Noisy Textual Clinical Reports
专题命中 其他多模态 ：multimodal(title,abstract)
R$^{2}$Seg: Training-Free OOD Medical Tumor Segmentation via Anatomical Reasoning and Statistical Rejection
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge（剑桥大学） ； Zhejiang University（浙江大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 其他多模态 ：multi-modal(abstract)；分类 cs.CV、cs.AI
Artificial Intelligence-driven Intelligent Wearable Systems: A full-stack Integration from Material Design to Personalized Interaction
机构 * The second hospital of Jilin University（吉林大学第二医院） ； QMUL Digital Environment Research Institute（QMUL数字环境研究机构） ； UCL Institute Of Health Informatics（UCL健康信息学研究所）
专题命中 其他多模态 ：multi-modal(abstract)；分类 cs.AI
Comments 5 pages, l figure, l table. Accepted at AI4RWC@WI-IAT 2025
Spatially-Aware Mixture of Experts with Log-Logistic Survival Modeling for Whole-Slide Images
专题命中 其他多模态 ：multimodal(abstract)；分类 cs.CV
Variational Inference with Mixtures of Isotropic Gaussians
机构 * CREST, ENSAE Institut Polytechnique de Paris（CREST，ENSAE巴黎理工学院） ； INRIA, Ecole Normale Supérieure DGA, French Procurement Agency（INRIA，高等师范学校，法国采购局）
专题命中 其他多模态 ：multimodal(abstract)
GRAPHTEXTACK: A Realistic Black-Box Node Injection Attack on LLM-Enhanced GNNs
专题命中 其他多模态 ：multi-modal(abstract)
Comments AAAI 2026
