多模态大模型

CRAFT: Continuous Reasoning and Agentic Feedback Tuning for Multimodal Text-to-Image Generation

CRAFT：连续推理与代理反馈调优用于多模态文本到图像生成

V. Kovalev, A. Kuvshinov, A. Buzovkin, D. Pokidov, D. Timonin

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

AI总结 CRAFT通过显式推理和反馈调优提升多模态生成模型的可靠性，实现可控且高效的文本到图像生成。

Comments 37 pages, 42 figures

Advancing Talking Head Generation: A Comprehensive Survey of Multi-Modal Methodologies, Datasets, Evaluation Metrics, and Loss Functions

推进说话头生成：多模态方法、数据集、评估指标和损失函数的全面综述

Vineet Kumar Rakesh, Soumya Mazumdar, Research Pratim Maity, Sarbajit Pal, Amitabha Das, Tapas Samanta

机构 * Engineering Sciences, Homi Bhabha National Institute Training School Complex（工程科学，霍米·巴赫瓦全国研究所培训学校） ； Computer and Informatics Group, VECC 1/AF（计算机与信息组，VECC 1/AF） 纠错

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

AI总结 本文全面综述了说话头生成的多模态方法、数据集、评估指标和损失函数，探讨了技术挑战与未来发展方向。

PPGFlowECG: Latent Rectified Flow with Cross-Modal Encoding for PPG-Guided ECG Generation and Cardiovascular Disease Detection

PPGFlowECG: 基于跨模态编码的潜在修正流用于PPG引导的ECG生成和心血管疾病检测

Xiaocheng Fang, Jiarui Jin, Haoyu Wang, Che Liu, Jieyi Cai, Yujie Xiao, Guangkun Nie, Bo Liu, Shun Huang, Hongyan Li, Shenda Hong

机构 * National Institute of Health Data Science, Peking University, China（北京大学国家健康数据科学研究院） ； School of Intelligence Science and Technology, Peking University, China（北京大学智能科学与技术学院） ； Data Science Institute, Imperial College London, UK（伦敦帝国理工学院数据科学研究院） ； University of Chinese Academy of Sciences, China（中国科学院大学） 纠错

专题命中 多模态生成 ：cross-modal(title)；分类 cs.AI

AI总结 PPGFlowECG通过跨模态编码和潜在修正流，实现PPG引导的ECG生成，提升心血管疾病检测的可扩展性和可靠性。

Unified Text-Image Generation with Weakness-Targeted Post-Training

通过弱项针对性后训练实现统一的文本图像生成

Jiahui Chen, Philippe Hansen-Estruch, Xiaochuang Han, Yushi Hu, Emily Dinan, Amita Kamath, Michal Drozdzal, Reyhane Askari-Hemmat, Luke Zettlemoyer, Marjan Ghazvininejad

机构 * FAIR at Meta（Meta旗下的FAIR） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

专题命中 多模态生成 ：multimodal(abstract)；cross-modal(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出通过针对性后训练实现统一文本图像生成，提升多模态生成性能。

Interleaved Latent Visual Reasoning with Selective Perceptual Modeling

交错的潜在视觉推理与选择性感知建模

Shuai Dong, Siyuan Wang, Xingyu Liu, Chenglin Li, Haowen Hou, Zhongyu Wei

机构 * China University of Geosciences, Wuhan（中国地质大学（武汉）） ； Shanghai Innovation Institute（上海创新研究院） ； University of Southern California（南加州大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 ILVR通过交错潜在视觉表示与文本生成，实现动态状态演变与精确感知建模的统一，提升多模态推理性能。

Comments 18 pages, 11 figures. Code available at https://github.com/XD111ds/ILVR