多模态大模型

Adaptive Evidential Learning for Temporal-Semantic Robustness in Moment Retrieval

自适应证据学习用于时刻检索中的时序-语义鲁棒性

Haojian Huang, Kaijing Ma, Jin Chen, Haodong Chen, Zhou Wu, Xianghao Zang, Han Fang, Chao Ban, Hao Sun, Mulin Chen, Zhongjiang He

专题命中 视频多模态 ：cross-modal(abstract)；分类 cs.CV

AI总结 本文提出DEMR框架，通过引入RFF模块和几何正则化器，提升时刻检索中对复杂视频场景的适应性与鲁棒性。

Comments Accepted by AAAI 2026, 10 pages, 9 figures, 5 tables

Adversarial Confusion Attack: Disrupting Multimodal Large Language Models

对抗混淆攻击：破坏多模态大语言模型

Jakub Hoscilowicz, Artur Janicki

机构 * Warsaw University of Technology（华沙技术大学） 纠错

专题命中 跨模态检索 ：multimodal(title,abstract)；MLLM(abstract)；分类 cs.CL

AI总结 本文提出对抗混淆攻击，通过生成扰动破坏多模态大语言模型的可靠性，展示其在不同模型上的有效性。

Better, Stronger, Faster: Tackling the Trilemma in MLLM-based Segmentation with Simultaneous Textual Mask Prediction

更优、更强、更快：在基于多模态大语言模型的分割中解决三重困境

Jiazhen Liu, Mingkuan Feng, Long Chen

机构 * The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 跨模态检索 ：MLLM(title,abstract)；multimodal(abstract)；分类 cs.CV

AI总结 STAMP通过同时预测文本和分割掩码，解决了多模态大语言模型在保持对话能力、高分割性能和快速推理间的三重困境。

ESMC: MLLM-Based Embedding Selection for Explainable Multiple Clustering

ESMC: 基于多模态大语言模型的可解释多聚类嵌入选择

Xinyue Wang, Yuheng Jia, Hui Liu, Junhui Hou

专题命中 跨模态检索 ：MLLM(title,abstract)；multi-modal(abstract)

AI总结 ESMC利用多模态大语言模型实现用户驱动的可解释多聚类，通过嵌入选择和伪标签学习提升聚类准确性。

CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling

CART：基于粗到细语义建模的生成式跨模态检索框架

Minghui Fang, Shengpeng Ji, Jialong Zuo, Hai Huang, Yan Xia, Jieming Zhu, Xize Cheng, Xiaoda Yang, Wenrui Liu, Gang Wang, Zhenhua Dong, Zhou Zhao

专题命中 跨模态检索 ：cross-modal(title,abstract)；multimodal(abstract)

AI总结 CART通过生成式模型和粗到细语义建模提升跨模态检索的效率与性能。

Comments Updated a few baseline metrics based on original publications. Conclusions unchanged

Question Answering for Decisionmaking in Green Building Design: A Multimodal Data Reasoning Method Driven by Large Language Models

绿色建筑设计中的决策制定问答：一种由大语言模型驱动的多模态数据推理方法

Yihui Li, Xiaoyue Yan, Hao Zhou, Borong Lin

机构 * School of Architecture（建筑学院） ； Tsinghua University（清华大学） 纠错

专题命中 跨模态检索 ：multimodal(title,abstract)；分类 cs.CL、cs.AI

AI总结 本研究提出GreenQA，一种由大语言模型驱动的多模态数据推理方法，用于提升绿色建筑设计决策效率。

Comments Published at Association for Computer Aided Design in Architecture (ACADIA) 2024

Words into World: A Task-Adaptive Agent for Language-Guided Spatial Retrieval in AR

词语进入世界：一种任务自适应代理用于增强现实中的语言引导空间检索

Lixing Guo, Tobias Höllerer

机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） 纠错

专题命中 跨模态检索 ：multimodal(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出一种任务自适应AR代理，结合多模态大语言模型和视觉模型，实现语言引导的空间检索，支持复杂查询和真实世界交互。

Generative Editing in the Joint Vision-Language Space for Zero-Shot Composed Image Retrieval

联合视觉-语言空间中的生成编辑用于零样本复合图像检索

Xin Wang, Haipeng Zhang, Mang Li, Zhaohui Xia, Yueguo Chen, Yu Zhang, Chunyu Wei

机构 * Renmin University of China（中国人民大学） ； Alibaba Group（阿里巴巴集团） 纠错

专题命中 跨模态检索 ：multimodal(abstract)；分类 cs.CV

AI总结 Fusion-Diff通过联合视觉-语言空间中的生成编辑策略，实现了高效的零样本复合图像检索，提升了多模态对齐的性能和可解释性。

Cuffless Blood Pressure Estimation from Six Wearable Sensor Modalities in Multi-Motion-State Scenarios

无袖带血压估计：基于六种可穿戴传感器模态在多运动状态场景中的应用

Yiqiao Chen, Fazheng Xu, Zijian Huang, Juchi He, Zhenghui Feng

机构 * Faculty of Frontier Sciences, Harbin Institute of Technology, Shenzhen（前沿科学学院，哈尔滨工业大学深圳校区） ； University of Melbourne（墨尔本大学） ； University of New South Wales（新南威尔士大学） 纠错

专题命中 跨模态检索 ：cross-modal(abstract)

AI总结 本文提出了一种基于六种可穿戴传感器模态的无袖带血压估计框架，通过联合利用ECG、PPG、压力、温度和运动传感器数据，实现多运动状态下的血压准确估计。

Comments 13 pages, 7 figures

Retrieving Filter Spectra in CNN for Explainable Sleep Stage Classification

在CNN中检索滤波器光谱以实现可解释的睡眠阶段分类

Stephan Goerttler, Yucheng Wang, Fei He, Min Wu

专题命中 跨模态检索 ：multimodal(abstract)

AI总结 本研究提出了一种在CNN中检索滤波器光谱的工具，用于提高睡眠阶段分类的可解释性，通过分析EEG通道的光谱信息来增强模型性能。

Comments 6 pages, 3 figures, conference paper

EnzyCLIP: A Cross-Attention Dual Encoder Framework with Contrastive Learning for Predicting Enzyme Kinetic Constants

EnzyCLIP：一种基于对比学习的跨注意力双编码框架，用于预测酶动力学常数

Anas Aziz Khan, Md Shah Fahad, Priyanka, Ramesh Chandra, Guransh Singh

机构 * SCOPE ； Vellore Institute of Technology（维洛雷理工学院） ； BIT ； Department of Computer Science（计算机科学系） ； Department of Bioengineering and Biotechnology（生物工程与生物技术系） 纠错

专题命中 跨模态检索 ：multimodal(abstract)

AI总结 EnzyCLIP通过对比学习和跨注意力机制，结合蛋白质序列和底物分子结构预测酶动力学参数，提升Kcat和Km预测性能。

Augmenting Intra-Modal Understanding in MLLMs for Robust Multimodal Keyphrase Generation

增强多模态大语言模型的模态内理解以实现鲁棒的多模态关键词生成

Jiajun Cao, Qinggang Zhang, Yunbo Tang, Zhishang Xiang, Chang Yang, Jinsong Su

专题命中 多模态生成 ：multimodal(title,abstract)；cross-modal(abstract)；image-text(abstract)；分类 cs.MM

AI总结 AimKP通过增强模态内语义学习和跨模态对齐，提升多模态关键词生成的鲁棒性。

UniDiff: Parameter-Efficient Adaptation of Diffusion Models for Land Cover Classification with Multi-Modal Remotely Sensed Imagery and Sparse Annotations

UniDiff: 用于多模态遥感影像和稀疏标注的土地覆盖分类的扩散模型参数高效适应

Yuzhen Hu, Saurabh Prasad

机构 * University of Houston（休斯敦大学） 纠错

专题命中 多模态生成 ：multi-modal(title,abstract)；multimodal(abstract)；分类 cs.CV

AI总结 UniDiff通过参数高效的方法适应扩散模型，实现多模态遥感数据在稀疏标注下的有效分类与融合。

Comments Camera-ready for WACV 2026

Rethinking Multimodal Point Cloud Completion: A Completion-by-Correction Perspective

重新思考多模态点云补全：一种补全-修正视角

Wang Luo, Di Wu, Hengyuan Na, Yinlin Zhu, Miao Hu, Guocong Quan

机构 * Wang Luo, Di Wu, Hengyuan Na, Yinlin Zhu, Miao Hu, Guocong Quan（作者） 纠错

专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV、cs.AI

AI总结 PGNet通过补全-修正范式，结合多阶段框架和双特征编码，实现更鲁棒的点云补全，提升重建精度与结构一致性。

Comments Accepted by AAAI 2026

Dynamic-eDiTor: Training-Free Text-Driven 4D Scene Editing with Multimodal Diffusion Transformer

Dynamic-eDiTor: 基于文本的无训练4D场景编辑与多模态扩散变换器

Dong In Lee, Hyungjun Doh, Seunggeun Chi, Runlin Duan, Sangpil Kim, Karthik Ramani

机构 * Purdue University（普渡大学） ； Korea University（韩国大学） 纠错

专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV、cs.AI

AI总结 Dynamic-eDiTor通过多模态扩散变换器和4DGS实现无训练文本驱动的4D场景编辑，提升多视图和时间一致性。

Comments 4D Scene Editing

Does Understanding Inform Generation in Unified Multimodal Models? From Analysis to Path Forward

在统一多模态模型中，理解是否会影响生成？从分析到未来路径

Yuwei Niu, Weiyang Jin, Jiaqi Liao, Chaoran Feng, Peng Jin, Bin Lin, Zongjian Li, Bin Zhu, Weihao Yu, Li Yuan

机构 * Peking University（北京大学） ； Chongqing University（重庆大学） ； HKU MMLab（香港大学多模态实验室） ； PengCheng Laboratory（鹏城实验室） 纠错

专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV、cs.CL

AI总结 研究通过UniSandbox分析统一多模态模型中理解与生成之间的差距，发现显式链式思维和自训练方法能有效弥合这一差距，并揭示查询架构的潜在CoT特性。

Proxy-Tuning: Tailoring Multimodal Autoregressive Models for Subject-Driven Image Generation

代理调优：为以主题驱动的图像生成定制多模态自回归模型

Yi Wu, Shengju Qian, Lingting Zhu, Lei Liu, Wandi Qiao, Ziqiang Li, Lequan Yu, Bin Li

机构 * University of Science and Technology of China（中国科学技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； Nanjing University of Information Science and Technology（南京信息工程大学） 纠错

专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV、cs.MM

AI总结 本文提出代理调优方法，通过扩散模型增强AR模型在主题驱动图像生成中的能力，揭示了弱到强泛化现象，提升了多主题组合和上下文理解的表现。

TUNA: Taming Unified Visual Representations for Native Unified Multimodal Models

TUNA: 降低统一视觉表示以适应原生统一多模态模型

Zhiheng Liu, Weiming Ren, Haozhe Liu, Zijian Zhou, Shoufa Chen, Haonan Qiu, Xiaoke Huang, Zhaochong An, Fanny Yang, Aditya Patel, Viktar Atliha, Tony Ng, Xiao Han, Chuyan Zhu, Chenyang Zhang, Ding Liu, Juan-Manuel Perez-Rua, Sen He, Jürgen Schmidhuber, Wenhu Chen, Ping Luo, Wei Liu, Tao Xiang, Jonas Schult, Yuren Cong

机构 * Meta BizAI ； University of Waterloo（滑铁卢大学） 纠错

专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV

AI总结 TUNA通过统一视觉表示提升多模态模型的性能，实现端到端理解和生成任务的高效处理。

Comments Project page: https://tuna-ai.org/

Hybrid-DMKG: A Hybrid Reasoning Framework over Dynamic Multimodal Knowledge Graphs for Multimodal Multihop QA with Knowledge Editing

Hybrid-DMKG: 一种基于动态多模态知识图谱的混合推理框架用于多模态多跳问答与知识编辑

Li Yuan, Qingfei Huang, Bingshan Zhu, Yi Cai, Qingbao Huang, Changmeng Zheng, Zikun Deng, Tao Wang

专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.AI

AI总结 Hybrid-DMKG通过动态多模态知识图谱实现多跳问答中的准确推理，提升对知识更新的鲁棒性。

Comments Accepted by AAAI 2026

ReasonEdit: Towards Reasoning-Enhanced Image Editing Models

ReasonEdit: 向推理增强的图像编辑模型迈进

Fukun Yin, Shiyu Liu, Yucheng Han, Zhibo Wang, Peng Xing, Rui Wang, Wei Cheng, Yingming Wang, Aojie Li, Zixin Yin, Pengtao Chen, Xiangyu Zhang, Daxin Jiang, Xianfang Zeng, Gang Yu

专题命中 多模态生成 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV

AI总结 ReasonEdit通过引入思考和反思机制，提升图像编辑模型的推理能力，实现更准确的编辑效果。

Comments code: https://github.com/stepfun-ai/Step1X-Edit

A Fast and Efficient Modern BERT based Text-Conditioned Diffusion Model for Medical Image Segmentation

一种快速且高效的基于现代BERT的文本条件扩散模型用于医学图像分割

Venkata Siddharth Dhara, Pawan Kumar

机构 * International Institute of Information Technology, Hyderabad, 500032, India（国际信息科技学院，海得拉巴） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；cross-modal(abstract)；分类 cs.CV

AI总结 本文提出FastTextDiff，利用ModernBERT提升医学图像分割的效率和准确性，通过整合文本注释和多模态注意力机制改进传统扩散模型。

Comments 15 pages, 3 figures, Accepted in Slide 3 10th International Conference on Computer Vision & Image Processing (CVIP 2026)

Envision: Benchmarking Unified Understanding & Generation for Causal World Process Insights

Envision：基于因果世界过程洞察的统一理解和生成基准测试

Juanxi Tian, Siyuan Li, Conghui He, Lijun Wu, Cheng Tan

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.AI

AI总结 Envision通过因果事件进程基准测试，评估统一模型在动态时空一致性上的表现，揭示其在因果叙事一致性上的优势及仍需改进的时空一致性挑战。

Comments 35 pages, 12 figures, 10 tables

RDTF: Resource-efficient Dual-mask Training Framework for Multi-frame Animated Sticker Generation

RDTF：面向多帧动画贴纸生成的资源高效双掩码训练框架

Zhiqiang Yuan, Ting Zhang, Peixiang Luo, Ying Deng, Jiapei Zhang, Zexi Jia, Jinchao Zhang, Jie Zhou

机构 * Pattern Recognition Center, WeChat AI, Tencent Inc（腾讯人工智能图案识别中心） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV、cs.MM

AI总结 RDTF通过三种核心设计，为多帧动画贴纸生成任务提供资源高效的解决方案，优于现有PEFT方法。

Comments Submitted to TMM

Face-MakeUpV2: Facial Consistency Learning for Controllable Text-to-Image Generation

Face-MakeUpV2：面向可控文本到图像生成的面部一致性学习

Dawei Dai, Yinxiu Zhou, Chenghang Li, Guolai Jiang, Chengfang Zhang

专题命中 多模态生成 ：image-text(abstract)；分类 cs.CV、cs.AI

AI总结 Face-MakeUpV2通过引入3D面部渲染和全局面部特征通道，解决文本到图像生成中的面部属性泄露和物理一致性问题，实现更可控的面部生成。

Comments Some errors in the critical data presented in Table 1 and Table 2

OmniSVG: A Unified Scalable Vector Graphics Generation Model

OmniSVG: 一种统一的可扩展矢量图形生成模型

Yiying Yang, Wei Cheng, Sijin Chen, Xianfang Zeng, Fukun Yin, Jiaxu Zhang, Liao Wang, Gang Yu, Xingjun Ma, Yu-Gang Jiang

机构 * Fudan University（复旦大学） ； StepFun Project（StepFun项目） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 OmniSVG通过统一框架和预训练视觉-语言模型，实现高效多模态SVG生成，提升复杂结构的表达能力，并引入大规模数据集推动SVG合成发展。

Comments 20 pages; Project Page: https://omnisvg.github.io/

SPIRAL: Semantic-Aware Progressive LiDAR Scene Generation and Understanding

SPIRAL: 基于语义的渐进式LiDAR场景生成与理解

Dekai Zhu, Yixuan Hu, Youquan Liu, Dongyue Lu, Lingdong Kong, Slobodan Ilic

机构 * Technical University of Munich（慕尼黑技术大学） ； Fudan University（复旦大学） ； National University of Singapore（新加坡国立大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

专题命中 多模态生成 ：cross-modal(abstract)；分类 cs.CV

AI总结 Spiral提出了一种基于范围视图的LiDAR扩散模型，能够同时生成深度、反射图像和语义地图，实现高效的3D场景生成与理解。

Comments NeurIPS 2025; 24 pages, 10 figures, 9 tables; Code at https://github.com/worldbench/SPIRAL

Ensuring Force Safety in Vision-Guided Robotic Manipulation via Implicit Tactile Calibration

通过隐式触觉校准确保视觉引导的机器人操作中的力安全

Lai Wei, Jiahua Ma, Yibo Hu, Ruimao Zhang

机构 * Sun Yat-sen University（中山大学） ； UC San Diego（加州大学圣地亚哥分校） ； Zhejiang University（浙江大学） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出SafeDiff框架，通过隐式触觉校准提升机器人操作中的力安全，结合视觉和触觉数据优化状态规划，减少有害力风险。

Comments Website URL: see https://i-am-future.github.io/safediff/

Thought2Text: Text Generation from EEG Signal using Large Language Models (LLMs)

Thought2Text: 使用大型语言模型（LLMs）从EEG信号生成文本

Abhijit Mishra, Shreya Shukla, Jose Torres, Jacek Gwizdka, Shounak Roychowdhury

机构 * School of Information University of Texas at Austin（信息学院 德克萨斯大学奥斯汀分校） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CL

AI总结 Thought2Text利用大型语言模型从EEG信号生成文本，通过多阶段微调实现脑活动的可理解表达。

Comments Accepted to Findings of NAACL 2025

ManualVLA: A Unified VLA Model for Chain-of-Thought Manual Generation and Robotic Manipulation

ManualVLA: 一种统一的VLA模型用于链式思维手动生成和机器人操作

Chenyang Gu, Jiaming Liu, Hao Chen, Runzhong Huang, Qingpo Wuwu, Zhuoyang Liu, Xiaoqi Li, Ying Li, Renrui Zhang, Peng Jia, Pheng-Ann Heng, Shanghang Zhang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； The Chinese University of Hong Kong（香港中文大学） ； Simplexity Robotics Project（Simplexity机器人项目） 纠错

专题命中 多模态生成 ：multimodal(abstract)

AI总结 ManualVLA通过融合多模态手册生成与动作执行，提升机器人长周期任务中的规划与操作能力。

RecruitView: A Multimodal Dataset for Predicting Personality and Interview Performance for Human Resources Applications

RecruitView：一个用于人力资源应用预测性格和面试表现的多模态数据集

Amit Kumar Gupta, Farhan Sheth, Hammad Shaikh, Dheeraj Kumar, Angkul Puniya, Deepak Panwar, Sandeep Chaurasia, Priya Mathur

机构 * Manipal University Jaipur（马普尔大学贾布尔） ； Poornima Institute of Engineering & Technology（波尼玛工程与技术学院） 纠错

专题命中 多模态评测 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.CV、cs.AI

AI总结 RecruitView通过几何深度学习框架CRMF，利用多模态数据预测性格和面试表现，实现更高效且准确的评估方法。

Comments 20 pages, 10 figures, 10 tables