AI 大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
基于图像回归的多模态大语言模型微调中的语言整合
机构 * Samsung Israel R&D Center（三星以色列研发中心）
专题命中 多模态训练与对齐 ：multimodal(title,abstract)；MLLM(abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 本文提出RvTC方法，通过灵活的区间法替代传统词汇受限分类，提升多模态大语言模型在图像回归任务中的性能。
Comments WACV 2026
通过残差语义去相关实现双流跨模态表示学习
机构 * School of Information Science & Engineering, Shandong Normal University（信息科学与工程学院，山东师范大学） ； Tajikistan State University of Law, Business Sughd（塔吉克斯坦法律、商业大学，苏赫德） ； Tajik State University of Law, Business and Politics Sughd（塔吉克斯坦法律、商业与政治大学，苏赫德）
专题命中 多模态训练与对齐 ：cross-modal(title,abstract)；multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 DSRSD-Net通过残差分解和语义去相关解决跨模态学习中的模态主导和冗余问题，提升预测性能。
MIDG：基于知识注入的混合不变专家用于多模态情感分析中的领域泛化
机构 * School of Electronics and Information Technology（电子信息学院）
专题命中 多模态训练与对齐 ：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.AI
AI总结 MIDG通过混合不变专家和跨模态适配器，提升多模态情感分析中领域泛化的性能与语义表达能力。
多模态融合与可解释性在人体活动识别中的应用：一种可复现的基于传感器建模框架
专题命中 多模态训练与对齐 ：multimodal(title,abstract)；multi-modal(abstract)
AI总结 本文提出了一种可复现的多模态融合框架，通过统一预处理和融合策略提升人体活动识别的准确性和可解释性。
Comments 33 pages, 12 figures, 4 tables
释放多模态大语言模型的内在视觉表示能力
机构 * HUST（华中科技大学） ； Tencent Hunyuan Research（腾讯混元研究） ； HKUST（香港科技大学） ； NJU（南京大学）
专题命中 多模态训练与对齐 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出LaVer框架，通过掩码图像建模提升多模态大语言模型的视觉表示能力，实验表明其在需要密集视觉能力的场景中表现优异。
FishDetector-R1: 基于统一MLLM框架的弱监督鱼类检测、分割与计数强化微调方法
机构 * University of Michigan（密歇根大学）
专题命中 多模态训练与对齐 ：MLLM(title,abstract)；分类 cs.CV
AI总结 FishDetector-R1通过统一MLLM框架和强化学习微调，实现了弱监督下的鱼类检测、分割与计数的高效准确提升。
Comments 18 pages, under review
通过病理级跨模态对齐和相关性探索提升医学视觉表示学习
机构 * Department of Computer Science, University of Warwick（沃里克大学计算机科学系） ； Department of Informatics, King’s College London（伦敦国王学院信息学系） ； School of Computing, Macquarie University（麦考瑞大学计算机科学学院） ； Alan Turing Institute, UK（英国艾伦·图灵研究所）
专题命中 多模态训练与对齐 ：cross-modal(title,abstract)；分类 cs.CV
AI总结 本文提出PLACE框架，通过病理级跨模态对齐和相关性探索提升医学视觉表示学习，实现多下游任务的性能提升。
Comments Accepted to IEEE Journal of Biomedical and Health Informatics (JBHI).Code: https://github.com/Markin-Wang/PLACE
HalluShift++: 通过内部表示转移弥合语言与视觉，解决多模态大语言模型中的层级幻觉
机构 * Netaji Subhash Engineering College (NSEC)（奈尔贾伊·萨布哈工程学院） ； TCG Crest ； Electronics and Communication Sciences Unit (ECSU)（电子与通信科学单位） ； Indian Statistical Institute（印度统计研究所）
专题命中 多模态训练与对齐 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV、cs.CL
AI总结 HalluShift++通过分析MLLM内部表示转移，解决多模态大语言模型中的层级幻觉问题，提升幻觉检测的有效性。
迈向统一的语义和可控图像融合：一种扩散变换器方法
机构 * Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Electronic Information School, Wuhan University（武汉大学电子信息学院）
专题命中 多模态训练与对齐 ：multimodal(abstract)；cross-modal(abstract)；分类 cs.CV、cs.AI
AI总结 DiTFuse通过融合图像与自然语言指令，实现端到端、语义感知的图像融合，统一了多种融合任务并在多个基准测试中表现出色。
迈向稳定跨领域抑郁识别下的缺失模态
机构 * School of Future Technology, South China University of Technology（未来技术学院，华南理工大学） ； PengCheng Laboratory（鹏城实验室） ； School of Software Engineering, South China University of Technology（软件工程学院，华南理工大学） ； Artificial Intelligence Research Institute, Shenzhen MSU-BIT University（人工智能研究院，深圳MSU-BIT大学） ； Guangdong-Hong Kong-Macao Joint Laboratory for Emotional Intelligence and Pervasive Computing（粤港澳大湾区情感智能与泛在计算联合实验室） ； School of Computer Science and Technology, Guangdong University of Technology（计算机科学与技术学院，广东工业大学） ； Department of Computer Science, City University of Hong Kong（计算机科学系，香港城市大学）
专题命中 多模态训练与对齐 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 本文提出SCD-MLLM框架，通过多源数据适配器和模态感知自适应融合模块，实现稳定跨领域抑郁症识别，提升多模态数据处理的鲁棒性和泛化能力。
3DRS: MLLMs 需要 3D 意识表示监督以实现场景理解
机构 * Visual AI Lab, The University of Hong Kong（香港大学视觉人工智能实验室） ； Department of Computer Vision Technology (VIS), Baidu Inc.（百度公司计算机视觉技术部）
专题命中 多模态训练与对齐 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 3DRS 通过引入预训练 3D 基础模型的监督，提升 MLLM 的 3D 表示能力，从而增强场景理解性能
熵在视觉定位中的作用：分析与优化
机构 * Fudan University（复旦大学） ； Hikvision Research Institute（海康威视研究院）
专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 本文提出ECVGPO算法，通过熵控制优化视觉定位任务，提升探索与利用的平衡，实现多基准的性能提升。
思考-反思-修订：一种基于策略的反思框架，用于大型视觉语言模型的安全对齐
机构 * Shanghaitech University（上海科技大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CV、cs.CL
AI总结 TRR通过策略引导的反思框架提升大型视觉语言模型的安全对齐，显著提高安全响应率至87.7%。
AquaFusionNet：轻量级视觉传感器融合框架，用于边缘设备上的实时病原体检测和水质异常预测
机构 * Department of Informatics Engineering, Politeknik Negeri Banyuwangi（信息工程系，普特里克国家理工学院巴扬威angi分校） ； Balai Besar Teknik Kesehatan Lingkungan dan P2B Surabaya（环境与P2B技术研究所Surabaya）
专题命中 多模态训练与对齐 ：cross-modal(abstract)；分类 cs.CV、cs.CL
AI总结 AquaFusionNet通过跨模态融合提升边缘设备上病原体检测和水质异常预测的准确率与效率。
Comments 9Pages, 3 figure, Politeknik Negeri Banyuwangi
将临床知识转移到ECG表示中
机构 * Department of Computer Science（计算机科学系） ； Universidade Federal de Minas Gerais（巴西矿务联邦大学） ； Depart. of Math. and Comp. Sc.（数学与计算机科学系） ； Albion College（阿尔比恩学院）
专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出一种三阶段训练方法，将多模态临床数据转化为ECG表示，提升分类模型的准确性和可解释性。
基于注意力序列的个性化图像描述
机构 * Stony Brook University（石溪大学） ； UNC-Charlotte（北卡罗来纳大学夏洛特分校） ； The University of Adelaide（阿德莱德大学）
专题命中 多模态训练与对齐 ：multimodal(abstract)；分类 cs.CV
AI总结 DEPER通过建模个性化注意力序列，实现了基于视觉-语言模型的个性化图像描述生成，提升了描述质量与人类对齐性。
Comments 10 pages, 4 figures
加速材料发现：学习化学过程的通用表示以实现跨领域性质预测
机构 * CrowdChem, Inc.（CrowdChem公司）
专题命中 多模态训练与对齐 ：multi-modal(abstract)；分类 cs.AI
AI总结 本文提出了一种通用的过程图表示，通过多模态图神经网络实现跨领域性质预测，展示了大规模学习的通用表示在专门任务中的高效迁移能力。
Comments 22 pages, 8 figures
Gene-DML：双路径多级判别用于从组织病理图像预测基因表达
机构 * The University of Sydney, Australia（悉尼大学） ； Lawrence Berkeley National Laboratory, USA（伯克利国家实验室）
专题命中 多模态训练与对齐 ：cross-modal(abstract)；分类 cs.CV
AI总结 Gene-DML通过双路径多级判别方法，提升组织病理图像与基因表达谱的跨模态对齐，实现高精度的基因表达预测。
Comments Accepted by The IEEE/CVF Winter Conference on Applications of Computer Vision 2026 (WACV2026). Code and data available at https://github.com/YXSong000/Gene-DML
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈