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。
多模态奖励基准2：评估多模态奖励模型用于交错文本和图像
机构 * FAIR at Meta Superintelligence Labs（Meta超智能实验室的FAIR）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV、cs.CL
AI总结 多模态奖励基准2评估多模态奖励模型在交错文本和图像任务中的性能，通过专家标注数据和先进模型对比，揭示了不同模型在多模态理解与生成任务中的准确率差异。
Comments Code and data available at https://github.com/facebookresearch/MMRB2
基于多模态MRI的阿尔茨海默病诊断：基于Transformer的图像合成与迁移学习
机构 * Marvin Ridge High School（马文岭高中）
专题命中 多模态生成 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 本研究提出基于Transformer的图像合成方法，利用T1w MRI预测FA和MD，提升AD诊断准确率和MCI检测能力。
Comments 19 pages, 10 figures
多模态空间组学：从数据获取到计算整合
专题命中 多模态生成 ：multimodal(title,abstract)
AI总结 本文综述了多模态空间组学数据整合的计算方法，涵盖从概率模型到深度学习的多种算法原理，以整合不同分子层和图像数据。
一种高效且多模态的导航系统与一步世界模型
机构 * Tsinghua University（清华大学） ； Xiaomi (China)（小米（中国））
专题命中 多模态生成 ：multi-modal(title,abstract)
AI总结 本文提出了一种高效多模态导航系统，通过一步世界模型和3D U-Net骨干网络，提升导航效率和鲁棒性。
探索通用型自主多模态代理用于病理报告生成
专题命中 多模态生成 ：multimodal(title,abstract)
AI总结 研究探索通用型自主多模态代理在病理报告生成中的应用，发现其在无额外信息时诊断准确率较低，但提供形态学描述时表现更佳，但仍不及人类专家。
Comments 6 pages, 1 figure, accepted paper for BVM 2026
Journal ref BVM 2026, https://bvm-conf.org
弥合模态：联合合成与配准框架用于对齐扩散磁共振成像与T1加权图像
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Brigham and Women’s Hospital（布里奇沃特医院） ； Harvard Medical School（哈佛医学院）
专题命中 多模态生成 ：multimodal(abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 本文提出一种基于生成配准网络的无监督框架，通过图像合成和变形场学习，提升扩散MRI与T1加权图像的配准精度。
推动扩散语言模型及其变体未来发展的十大开放挑战
机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； Peking University（北京大学） ； Huawei Technologies（华为技术有限公司） ； Nanyang Technological University（南洋理工大学）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出推动扩散语言模型及其变体发展的十大挑战，并提出以多尺度标记化、主动遮罩和潜在思考为核心的四支柱战略路线图，旨在突破因果瓶颈，实现复杂结构推理和多模态整合。
虚拟城市主义：一种基于AI的量化城市身份框架。以东京为基础的试点研究，使用扩散生成的合成环境
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出虚拟城市主义框架，利用AI生成合成环境量化城市身份，通过东京试点研究验证其有效性，揭示核心身份形成元素。
大规模人工智能模型用于无线物理层
机构 * Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（电子与计算机工程系，香港科学与技术大学） ； National Mobile Communications Research Laboratory, Southeast University（国家移动通信研究中心，东南大学）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI
AI总结 本文提出利用大规模人工智能模型改进无线物理层通信，通过预训练模型和专用模型策略提升性能与适应性，并探讨未来研究方向。
Comments A collection of paper on Large AI Models for wireless physical layer can be found at https://github.com/AI4Wireless/LAM4PHY_6G
DomainCQA: 从领域特定图表中构建知识密集型问答
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CL
AI总结 DomainCQA通过构建领域特定图表问答基准测试，提升多模态大语言模型在视觉理解和知识密集型推理方面的能力。
Comments 83 pages, 59 figures
EmoKGEdit: 无训练情感注入 via 视觉线索转换
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
AI总结 EmoKGEdit通过构建多模态情感关联知识图谱，实现无训练的精确情感注入，有效分离情感属性与布局特征，提升图像情感编辑的保真度和结构一致性。
Comments 11pages,10figures
评估用于从单个深度图像生成高保真3D形状补全的潜在生成范式
机构 * German Aerospace Center（德国航空航天中心） ； TU Munich（慕尼黑技术大学） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV
AI总结 本文比较了扩散模型和自回归模型在单个深度图像生成高保真3D形状补全任务中的性能，发现扩散模型在连续潜在空间中表现更优，而自回归模型在离散潜在空间中可匹敌或超越扩散模型。
Comments 16 pages, 4 figures, 19 tables. To appear in 3DV 2026. Project page: https://hummat.github.io/2026-3dv-genz/
PADiff: 预测性与自适应扩散策略用于即兴团队合作
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI
AI总结 PADiff通过整合队友预测信息，提升在非平稳即兴团队合作场景中的预测与适应能力，实现多模态协作模式的多样化。
Comments Accepted by AAAI 2026
可控视频生成：综述
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong University of Science and Technology(Guang Zhou)（香港科技大学（广州）） ； Tsinghua University（清华大学） ； Dalian University of Technology（大连理工大学） ； Tencent（腾讯）
专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV
AI总结 本文综述了可控视频生成领域，探讨了视频扩散模型中的控制机制及不同控制信号类型的方法分类。
Comments project page: https://github.com/mayuelala/Awesome-Controllable-Video-Generation
基于注意力机制的离线强化学习与聚类用于可解释的脓毒症治疗
机构 * Department of Computer Science（计算机科学系） ； Engineering University at Buffalo Buffalo, New York, USA（布法罗大学工程学院）
专题命中 多模态生成 ：multi-modal(abstract)
AI总结 本文提出基于注意力机制的离线强化学习与聚类方法，用于可解释的脓毒症治疗决策支持，通过多模块整合提升治疗准确性和可解释性。
Comments 8 pages, 6 figures, Conference: IEEE International Conference on Machine Learning and Applications 2025 (ICMLA 2025): https://www.icmla-conference.org/icmla25/
基于扩散的分布式触觉传感器逆模型用于物体姿态估计
机构 * Idiap Research Institute（Idiap研究机构） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院） ； Oxford Robotics Institute（牛津机器人研究所）
专题命中 多模态生成 ：multimodal(abstract)
AI总结 本文提出基于扩散模型的分布式触觉传感器逆模型，用于在无视觉数据情况下提高物体姿态估计的精度和效率。
PlannerRFT: 通过闭环和样本高效微调强化扩散规划器
机构 * Tongji University（同济大学） ； Shanghai Innovation Institute（上海创新研究院） ； OpenDriveLab at The University of Hong Kong（香港大学OpenDrive实验室） ； Meituan（美团） ； Li Auto Inc.（李自动公司）
专题命中 多模态生成 ：multi-modal(abstract)
AI总结 PlannerRFT通过闭环和样本高效微调提升扩散规划器的多模态轨迹生成能力，实现高效探索与鲁棒性增强。
MMEDIT: 一种基于音频语言模型的多类型音频编辑统一框架
机构 * MoE Key Lab of Artificial Intelligence, X-LANCE Lab, Shanghai Jiao Tong University（人工智能莫埃实验室、X-LANCE实验室、上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Nanjing University（南京大学）
专题命中 多模态生成 ：cross-modal(abstract)
AI总结 MMEdit提出一种基于音频语言模型的统一框架，通过扩展任务定义和设计数据合成管道，实现多类型音频编辑的高精度与高保真度。
Comments Under review
从感知到 punchline：通过野生表情包艺术赋能 VLM
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Software Engineering（软件工程学院） ； Columbia Engineering（哥伦比亚工程学院） ； Columbia University（哥伦比亚大学） ； The Chinese University of Hong Kong MMLab（香港中文大学MMLab）
专题命中 多模态生成 ：multimodal(abstract)
AI总结 HUMOR 通过分层推理和群体偏好对齐，提升 VLM 在多模态生成中的推理多样性与幽默质量。
Comments 46 pages, 20 figures
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