多模态大模型

Pyramidal Adaptive Cross-Gating for Multimodal Detection

金字塔自适应跨门控用于多模态检测

Zidong Gu, Shoufu Tian

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

AI总结 PACGNet通过自适应跨门控机制提升多模态检测性能，实现细粒度目标检测与特征层次重建。

Comments 17 pages, 6 figures, submitted to Image and Vision Computing

PsOCR: Benchmarking Large Multimodal Models for Optical Character Recognition in Low-resource Pashto Language

PsOCR：用于低资源帕什托语言光学字符识别的大型多模态模型基准测试

Ijazul Haq, Yingjie Zhang, Irfan Ali Khan

机构 * organization= Shien-Ming Wu School of Intelligent Manufacturing, South China University of Technology , city= Guangzhou , postcode= 511442 , country= China ； organization= Artificial Intelligence Department, Guangdong CAS Angels Biotechnology Co. Ltd. , city= Foshan , country= China ； organization= Department of Software Engineering, Faculty of Electrical \& Computer Engineering, University of Engineering \& Technology , city= Peshawar , postcode= 25000 , country= Pakistan 纠错

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

AI总结 PsOCR通过合成数据评估大型多模态模型在低资源帕什托语言OCR中的性能，发现Gemini表现最佳，Qwen-7B在开源模型中表现突出。

AtomThink: Multimodal Slow Thinking with Atomic Step Reasoning

AtomThink: 多模态慢思考与原子步骤推理

Kun Xiang, Zhili Liu, Terry Jingchen Zhang, Yinya Huang, Yunshuang Nie, Kaixin Cai, Yiyang Yin, Runhui Huang, Hanhui Li, Yihan Zeng, Yu-Jie Yuan, Jianhua Han, Lanqing Hong, Hang Xu, Xiaodan Liang

机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； ETH Zurich（苏黎世联邦理工学院） ； Hong Kong University of Science and Technology（香港科技大学） ； University of Hong Kong（香港大学） ； Noah’s Ark Lab（诺亚实验室） ； Yinwang Intelligent Technology Co., Ltd.（亿纬智能科技有限公司） 纠错

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

AI总结 AtomThink通过引入原子步骤推理，提升多模态大语言模型的推理性能和效率。

Comments TPAMI accepted

Multi-turn Jailbreaking Attack in Multi-Modal Large Language Models

多轮劫持攻击在多模态大语言模型中的应用

Badhan Chandra Das, Md Tasnim Jawad, Joaquin Molto, M. Hadi Amini, Yanzhao Wu

机构 * Knight Foundation School of Computing and Information Science, Florida International University（骑士基金会计算与信息科学学院，佛罗里达国际大学） 纠错

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

AI总结 本文提出多轮劫持攻击及FragGuard防御机制，评估其在多模态大语言模型中的有效性。

PixelArena: A benchmark for Pixel-Precision Visual Intelligence

PixelArena: 一个用于像素级视觉智能的基准测试

Feng Liang, Sizhe Cheng, Chenqi Yi, Yong Wang

机构 * Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 PixelArena提出通过语义分割任务以像素精度评估多模态模型的细粒度生成能力，发现Gemini 3 Pro在零样本设置下展现高保真语义掩码生成能力，揭示了视觉智能的新进展。

Comments 8 pages, 11 figures, project page: https://pixelarena.reify.ing/project

The Magni Human Motion Dataset: Accurate, Complex, Multi-Modal, Natural, Semantically-Rich and Contextualized

Magni 人类运动数据集：准确、复杂、多模态、自然、语义丰富且上下文化的

Tim Schreiter, Tiago Rodrigues de Almeida, Yufei Zhu, Eduardo Gutierrez Maestro, Lucas Morillo-Mendez, Andrey Rudenko, Tomasz P. Kucner, Oscar Martinez Mozos, Martin Magnusson, Luigi Palmieri, Kai O. Arras, Achim J. Lilienthal

专题命中 多模态评测 ：multi-modal(title)

AI总结 本文提出一个高质量的Magni人类运动数据集，通过多模态传感器和语义丰富环境，提供自然且准确的运动数据，以支持基于上下文线索的算法开发。

Comments in SIRRW Workshop held in conjunction with 31st IEEE International Conference on Robot & Human Interactive Communication, 29/08 - 02/09 2022, Naples (Italy)

Journal ref International Journal of Robotics Research (IJRR), 2025

Model-based clustering using a new mixture of circular regressions

基于新圆形回归混合的模型聚类

Sphiwe B. Skhosana, Najmeh Nakhaei Rad

专题命中 多模态评测 ：multimodal(abstract)

AI总结 本文提出了一种基于圆形回归混合的模型聚类方法，用于处理多模态圆形响应变量和混合协变量的数据，通过最大似然估计和模拟研究验证了其有效性。