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。
让LVLMs聚焦：基于上下文的注意力调节以提升多模态上下文学习
专题命中 图文多模态 ：multimodal(title,abstract)；分类 cs.CV、cs.CL
AI总结 本文提出CAMA，一种无需训练的注意力调节方法，通过动态调整注意力logits提升多模态上下文学习性能。
Comments 14 pages, 8 figures, 5 tables
解释未见的：多模态视觉-语言推理用于地下矿难中的情境感知
机构 * Missouri University of Science and Technology（密苏里科学与技术大学） ； Washington State University（华盛顿州立大学）
专题命中 图文多模态 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本文提出MDSE框架，通过多模态视觉-语言推理提升地下矿难情境感知能力，实现更准确的描述生成。
研究基于视觉-语言的图像质量评估中的低级视觉感知
机构 * Graduate School of Informatics, Kyoto University（京都大学信息科学研究生院）
专题命中 图文多模态 ：multi-modal(abstract)；MLLM(abstract)；分类 cs.CV
AI总结 本文研究了基于视觉-语言模型的图像质量评估中低级视觉感知的问题，发现现有模型在检测基本失真时存在偏差，并通过改进视觉编码器对齐度提升失真识别准确率。
迈向更可靠的人工智能：减少视觉-语言模型中的幻觉
机构 * Department of CS AI and Data Science（计算机科学与数据科学系） ； ESEO Engineering School（ESEO工程学院） ； Faculty of Law, Economy, Management（法学院、经济与管理学院）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 本文提出无需训练的自我纠正框架，通过不确定性引导的视觉再注意力减少视觉-语言模型中的幻觉，提升响应准确性。
Comments 24 pages, 3 figures, 2 tables. Training-free self-correction framework for vision-language models. Code and implementation details will be released at: https://github.com/kassoumsanogo1/self-correcting-vlm-re-Attention.git
Journal ref The 4th National and International Academic Conference Celebrating the 20th Anniversary of Rajapruk University (2026)
通过词语缓解偏见：通过文本编码在人脸识别模板中诱导人口统计学模糊性
机构 * Fraunhofer IGD（弗劳恩霍夫研究所（IGD）） ； TU Darmstadt（德累斯顿技术大学）
专题命中 图文多模态 ：cross-modal(abstract)；分类 cs.CV、cs.AI
AI总结 通过引入文本编码，UTIE在人脸识别模板中诱导人口统计学模糊性，以减少偏见并提升验证性能。
Comments Accepted at BMVC workshop (SRBS) 2025
基于帕金森病辅助诊断的动态面部表情分析
机构 * School of Control Science and Engineering, Shandong University, Jinan, 250061, China（控制科学与工程学院，山东大学，济南，250061，中国） ； Engineering Research Center of Intelligent Unmanned System, Ministry of Education, China（智能无人系统工程研究中心，教育部，中国） ； Department of Geriatric Neurology, Qilu Hospital of Shandong University, Jinan, 250061, China（老年神经内科，山东大学齐鲁医院，济南，250061，中国） ； Shandong Inspur Science Research Institute Co., Ltd.（山东浪潮科学研究院有限公司）
专题命中 图文多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 本文提出了一种基于动态面部表情分析的帕金森病辅助诊断方法，利用多模态网络和 LSTM 分类器实现高准确率的疾病检测。
视图-图：通过场景图上的视觉-语言推理实现零样本3D视觉定位
专题命中 图文多模态 ：multi-modal(abstract)；分类 cs.CV
AI总结 本文提出视图-图方法，通过场景图上的视觉-语言推理实现零样本3D视觉定位，有效解决空间语义关系处理难题。
令牌扩展-合并：面向视觉-语言-动作模型的免训练 令牌压缩
机构 * College of Science and Engineering, Hamad Bin Khalifa University（1 科学与工程学院，哈马德·本·卡西姆大学） ； Mohamed bin Zayed University of Artificial Intelligence（2 摩萨·本·扎耶德人工智能大学） ； College of Computer Science and Technology, Zhejiang University（3 计算机科学与技术学院，浙江大学）
专题命中 图文多模态 ：multimodal(abstract)
AI总结 TEAM-VLA通过动态令牌扩展与合并机制，实现无需训练的视觉-语言-动作模型高效推理，提升速度并保持任务性能。
Comments 8 pages, 5 figures
GLaD：面向视觉-语言-动作模型的几何潜在蒸馏
机构 * MBZUAI ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
专题命中 图文多模态 ：multimodal(abstract)
AI总结 GLaD通过引入几何意识的预训练机制，提升了视觉-语言-动作模型的空间推理和策略泛化能力，无需依赖深度传感器或3D标注。
TAViS: 基于文本的音频视觉分割与基础模型
机构 * Northwestern Polytechnical University（西北工业大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合国家科学中心人工智能研究院）
专题命中 音频语音多模态 ：audio-visual(title,abstract)；multimodal(abstract)；cross-modal(abstract)；multimodal foundation model(abstract)
AI总结 TAViS通过文本桥接机制结合多模态基础模型与分割模型，实现高效的音频视觉分割与跨模态对齐。
Comments ICCV2025,code:https://github.com/Sssssuperior/TAViS
AURORA：通过结构化推理和强化学习增强参考音频视频分割
专题命中 音频语音多模态 ：audio-visual(title,abstract)；分类 cs.CV
AI总结 AURORA通过结构化推理和强化学习提升参考音频视频分割的准确性和鲁棒性
Comments AAAI2026,code:https://github.com/Sssssuperior/AURORA
SimClinician: 一种多模态模拟测试平台，用于心理健康诊断中可靠的心理学家AI协作
机构 * Macquarie University（麦考瑞大学）
专题命中 音频语音多模态 ：multimodal(title,abstract)；分类 cs.AI
AI总结 SimClinician是一种多模态模拟平台，通过整合音频、文本和目光-表情模式，帮助心理学家在心理健康诊断中与AI协作，提升诊断的准确性和交互的流畅性。
DMP-TTS: 解耦多模态提示的可控文本到语音系统 with 链式引导
机构 * University of Science and Technology of China（科学技术大学）
专题命中 音频语音多模态 ：multi-modal(title,abstract)
AI总结 DMP-TTS通过解耦多模态提示和链式引导技术，实现了更强的文本到语音风格可控性，同时保持良好的可懂度和自然度。
重新思考视频中的链式推理
机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
专题命中 视频多模态 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV、cs.CL、cs.AI
AI总结 本研究提出了一种高效的视频推理框架，通过简洁推理和减少的视觉标记提升推理效率和性能，无需依赖传统CoT注释或监督微调。
Comments Technical report
ChronusOmni: 提升 Omni 大语言模型的时间感知能力
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学光荣人工智能学院） ； Baichuan Inc.（百川科技公司）
专题命中 视频多模态 ：cross-modal(abstract)；分类 cs.CV、cs.CL、cs.MM
AI总结 ChronusOmni 通过增强时间感知能力，提升音频视觉时间定位任务的性能，实现跨模态统一建模和细粒度推理。
Comments Code available at https://github.com/YJCX330/Chronus/
当什么发生时：学习视频中事件的时间顺序
机构 * Seoul National University（首尔国立大学） ； Imperial College London（帝国理工学院伦敦分校）
专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出MECOT方法，通过事件级描述训练和思维链提示提升视频模型对事件时间顺序的理解能力。
Comments WACV 2026
Video-QTR: 一种基于查询的轻量级视频理解时序推理框架
机构 * School of Software Technology, Zhejiang University, Hangzhou, China（浙江大学软件技术学院） ； School of Computer Science, Zhejiang University, Hangzhou, China（浙江大学计算机科学学院） ； School of Software Engineering, Xidian University, Xi’an, China（西安电子科技大学软件工程学院）
专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CV
AI总结 Video-QTR通过查询驱动的时序推理框架，实现轻量级视频理解，显著降低计算成本并提升效率。
CardioLive: 通过在线心脏监测增强视频流媒体
机构 * Department of Computer Science, The University of Hong Kong, Hong Kong SAR（香港大学计算机科学系） ； TCL AI Lab, Hong Kong SAR（TCL人工智能实验室）
专题命中 视频多模态 ：audio-visual(abstract)；分类 eess.AS
AI总结 CardioLive通过在线心脏监测技术，在视频流媒体中实现对生理信息的提取与分析，提升远程医疗和情感计算等应用的性能。
Comments Preprint
Super4DR: 基于4D雷达的自监督里程计与高斯基于地图优化
专题命中 视频多模态 ：multi-modal(abstract)
AI总结 Super4DR通过基于4D雷达的自监督里程计和高斯地图优化，在恶劣天气中实现更准确的定位与地图重建。
Comments 17 pages, 20 figures
多感官无线系统的时间窗口集成：物理人工智能的赋能者
专题命中 视频多模态 ：multimodal(abstract)
AI总结 本文提出了一种基于时间窗口集成和因果性的方法，用于优化物理人工智能在有限空间范围内的决策时间一致性，通过凸优化问题实现全局最优解。
RingMoE：面向通用遥感图像解释的多模态专家混合多模态基础模型
机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航天信息研究所） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Key Laboratory of Target Cognition and Application Technology(TCAT), Aerospace Information Research Institute, Chinese Academy of Sciences（目标认知与应用技术重点实验室） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Peng Cheng Laboratory, Shenzhen（鹏城实验室）
专题命中 跨模态检索 ：multi-modal(title,abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 RingMoE是一种多模态专家混合模型，通过自监督学习和物理信息嵌入，提升遥感图像的多模态处理能力，实现从单模态到多模态的高效适应。
PoultryTalk: 一种用于智能家禽管理与决策支持的多模态检索增强生成（RAG）系统
专题命中 跨模态检索 ：multi-modal(title,abstract)
AI总结 PoultryTalk是一种多模态RAG系统，通过文本和图像交互为家禽管理提供实时专家指导，实现了高准确率和用户满意度。
SEAL：用于带有检索增强生成的语音大语言模型的语音嵌入对齐学习
机构 * SenseTime Research（商汤科技研究院）
专题命中 跨模态检索 ：multimodal(abstract)；分类 cs.CL、eess.AS
AI总结 SEAL通过统一的语音和文本嵌入框架，提升语音大语言模型的检索效率与准确性，减少延迟并增强多模态检索能力。
面向资源受限制造的高效计算智能：为边缘化部署而努力
专题命中 跨模态检索 ：multimodal(abstract)；分类 cs.AI
AI总结 本研究提出高效计算框架，解决资源受限制造中的数据贫乏和物理感知问题，通过生成策略、半监督学习和边缘云协作压缩方案，提升工业部署的可靠性与效率。
Comments 2025, University of Connecticut
支持动态代理工作负载：数据与代理如何相互作用
专题命中 跨模态检索 ：multi-modal(abstract)
AI总结 本文提出了一种以代理为中心的数据织物，旨在高效支持动态、多模态的代理工作负载，通过注意力引导的数据检索、语义微缓存等机制提升数据处理效率。
Seedream 4.0：迈向下一代多模态图像生成
机构 * ByteDance（字节跳动）
专题命中 多模态生成 ：multimodal(title,abstract)；multi-modal(abstract)；分类 cs.CV
AI总结 Seedream 4.0通过高效多模态框架实现文本到图像生成、图像编辑和多图像组合，展示卓越的多模态能力与高效推理性能。
Comments Seedream 4.0/4.5 Technical Report
ImageTalk: 设计一种由图像识别和自然语言生成驱动的多模态AAC文本生成系统
机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； Department of Computing, Imperial College London（伦敦帝国学院计算机系）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 ImageTalk通过图像识别和自然语言生成设计多模态AAC文本生成系统，实现95.6%的按键节省率和高用户满意度。
Comments 24 pages, 10 figures
LongT2IBench: 一个用于评估长文本到图像生成的基准，具有图结构注释
专题命中 多模态生成 ：multi-modal(abstract)；image-text(abstract)；分类 cs.CV
AI总结 LongT2IBench通过图结构注释和LongT2IExpert提出，用于评估长文本到图像生成的对齐和解释能力。
Comments The paper has been accepted by AAAI 2026
MACS：基于上下文意义和语义对齐的多源音频到图像生成
专题命中 多模态生成 ：cross-modal(abstract)；分类 cs.CV、eess.AS
AI总结 MACS通过分离多源音频并利用语义对齐提升音频到图像生成的质量和表现。
Comments Accepted at AAAI 2026. Code available at https://github.com/alxzzhou/MACS
理解世界还是预测未来？世界模型的全面综述
机构 * Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University（电子工程系，信息科学与技术国家研究中心（BNRist），清华大学）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CL、cs.AI
AI总结 本文综述了世界模型在理解与预测方面的功能，探讨了其在多个领域的应用及未来研究方向。
Comments Extended version of the original ACM CSUR paper, 49 pages, 6 figures, 8 tables
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