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。

2025-12-17 至 2025-12-17 共收录 5 篇信号源：cs.CV, cs.CL, cs.AI, cs.MM, eess.AS

1. 多模态生成 5 篇

2512.13752 2025-12-17 cs.CV cs.AI 81%

STAR: STacked AutoRegressive Scheme for Unified Multimodal Learning

STAR：用于统一多模态学习的堆叠自回归方案

Jie Qin, Jiancheng Huang, Limeng Qiao, Lin Ma

机构 * Meituan Inc（美团公司）

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

AI总结 STAR通过堆叠自回归方案提升多模态生成性能，同时保持理解能力，实验验证其在统一多模态学习中的有效性。

Comments 18 pages, 7 figures

2512.14225 2025-12-17 cs.CV 79%

OmniGen: Unified Multimodal Sensor Generation for Autonomous Driving

OmniGen：面向自动驾驶的统一多模态传感器生成

Tao Tang, Enhui Ma, xia zhou, Letian Wang, Tianyi Yan, Xueyang Zhang, Kun Zhan, Peng Jia, XianPeng Lang, Jia-Wang Bian, Kaicheng Yu, Xiaodan Liang

机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区）； Westlake University（西湖大学）； Li Auto Inc.（Li汽车公司）； The University of Toronto（多伦多大学）； University of Macau（澳门大学）

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

AI总结 OmniGen通过统一框架生成对齐的多模态传感器数据，结合共享BEV空间和UAE方法，实现高效且灵活的传感器生成。

Comments ACM MM 2025

2512.13729 2025-12-17 cs.LG cs.AI cs.CV 76%

Composite Classifier-Free Guidance for Multi-Modal Conditioning in Wind Dynamics Super-Resolution

多模态条件下的风动力超分辨率复合分类器引导方法

Jacob Schnell, Aditya Makkar, Gunadi Gani, Aniket Srinivasan Ashok, Darren Lo, Mike Optis, Alexander Wong, Yuhao Chen

机构 * University of Waterloo（滑铁卢大学）； Veer Renewables

专题命中多模态生成：multi-modal(title)；分类 cs.CV、cs.AI

AI总结本文提出复合分类器引导方法，用于多模态条件下的风动力超分辨率重建，实现高保真度与低成本的风数据生成。

2512.14217 2025-12-17 cs.CV cs.RO 57%

DRAW2ACT: Turning Depth-Encoded Trajectories into Robotic Demonstration Videos

DRAW2ACT：将深度编码轨迹转化为机器人演示视频

Yang Bai, Liudi Yang, George Eskandar, Fengyi Shen, Mohammad Altillawi, Ziyuan Liu, Gitta Kutyniok

机构 * Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学）； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）； University of Freiburg（弗赖堡大学）； Technical University of Munich（慕尼黑技术大学）； Huawei Heisenberg Research Center (Munich)（华为海森堡研究中心（慕尼黑））

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

AI总结 DRAW2ACT通过深度感知的轨迹条件视频生成框架，生成可控且一致的机器人演示视频，提升机器人操作的成功率。

2507.11252 2025-12-17 cs.CV eess.IV 57%

MFGDiffusion: Mask-Guided Smoke Synthesis for Enhanced Forest Fire Detection

MFGDiffusion：基于掩码的烟雾合成以提升森林火灾检测

Guanghao Wu, Yunqing Shang, Chen Xu, Hai Song, Chong Wang, Qixing Zhang

机构 * University of Science and Technology of China（中国科学技术大学）

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

AI总结 MFGDiffusion通过掩码引导的烟雾合成提升森林火灾检测性能

Comments 14 pages, 11 figures