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。
DuoGen：迈向通用的交错多模态生成
机构 * Georgia Tech（佐治亚理工学院） ； NVIDIA research.nvidia.com/labs/dir/duogen（NVIDIA 研究所）
专题命中 多模态生成 ：multimodal(title,abstract)；MLLM(abstract)；image-text(abstract)；分类 cs.CV
AI总结 DuoGen通过系统性地解决数据整理、架构设计和评估问题，实现了通用的交错多模态生成，提升了文本质量、图像保真度和图像-上下文对齐性能。
Comments Technical Report. Project Page: https://research.nvidia.com/labs/dir/duogen/
IRIS: 隐式奖励引导的内部筛选以缓解多模态幻觉
机构 * Department of Artificial Intelligence, Westlake University, Hangzhou, China（人工智能系，西湖大学，杭州，中国） ； Sony Research, Sony（索尼研究，索尼）
专题命中 多模态生成 ：multimodal(title,abstract)；MLLM(abstract)；分类 cs.AI
AI总结 IRIS通过隐式奖励引导内部筛选，有效缓解多模态大语言模型的幻觉问题，无需外部反馈且性能优异。
StepNav: 为高效且多模态视觉导航引入结构化轨迹先验
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences（中国科学院空间利用技术与工程中心）
专题命中 多模态生成 ：multimodal(title,abstract)；multi-modal(abstract)
AI总结 StepNav通过结构化多模态轨迹先验提升视觉导航的鲁棒性、效率和安全性。
Comments 8 pages, 7 figures; Accepted by ICRA 2026
无需训练的文本引导颜色编辑与多模态扩散变换器
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； International Digital Economy Academy（国际数字经济学院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Tsinghua University（清华大学） ； Astribot ； StepFun
专题命中 多模态生成 ：multi-modal(title,abstract)；分类 cs.CV、cs.AI
AI总结 ColorCtrl通过多模态扩散变换器实现无需训练的文本引导颜色编辑，精准控制颜色属性并保持一致性，优于现有方法和商业模型。
Comments https://zxyin.github.io/ColorCtrl
SpecFLASH: 一种基于潜在引导的半自回归推测解码框架，用于高效多模态生成
机构 * Southeast University, Nanjing, China（东南大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； A STAR Centre for Frontier AI Research (CFAR), Singapore（A STAR前沿人工智能研究中心）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV、cs.MM
AI总结 SpecFLASH是一种针对多模态生成的高效推测解码框架，通过潜在引导的token压缩和半自回归解码方案，显著提升视觉任务的解码速度。
Comments Under review
LazyDrag: 通过显式对应关系在多模态扩散变换器上实现稳定的拖拽编辑
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； StepFun ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 多模态生成 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 LazyDrag通过显式对应关系实现多模态扩散变换器的稳定拖拽编辑，消除了隐式点匹配依赖，提升生成能力与精确控制。
Comments https://zxyin.github.io/LazyDrag
Diff4MMLiTS: 通过基于扩散的图像合成与对齐的先进多模态肝肿瘤分割
机构 * Department of Electronic and Electrical Engineering, Southern University of Science and Technology, Shenzhen, China（电子与电气工程系，南方科技大学，深圳，中国） ； Department of Electrical and Electronic Engineering, The University of Hong Kong, Hong Kong SAR, China（电气与电子工程系，香港大学，香港特别行政区，中国） ； Department of Radiology, Zhongda Hospital, Medical School, Southeast University, Nanjing, China（放射科，中大医院，医学院，东南大学，南京，中国） ； Jiaxing Research Institute, Southern University of Science and Technology, Jiaxing, China（嘉兴研究所，南方科技大学，嘉兴，中国）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 Diff4MMLiTS通过基于扩散的图像合成与对齐技术，实现肝肿瘤的多模态分割，无需严格对齐的多模态数据，提升了分割性能。
Comments International Workshop on Machine Learning in Medical Imaging, 668-678
无需训练的多模态掩码扩散模型自校正
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Mohamed bin Zayed University of Artificial Intelligence（莫莫德·本·扎耶德人工智能大学） ； East China Normal University（华东师范大学） ； University of Virginia（弗吉尼亚大学） ； University of Minnesota（明尼苏达大学） ； Drexel university（德雷塞尔大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Toronto（多伦多大学）
专题命中 多模态生成 ：multimodal(title,abstract)
AI总结 本文提出无需训练的多模态掩码扩散模型自校正方法，通过减少采样步骤提升生成质量，适用于文本到图像和多模态理解任务。
一个尺寸，多种适配：在大规模广告图像生成中对多样化群体点击偏好进行对齐
机构 * NLPR & MAIS, CASIA（中国科学院长春光学精密机械与物理研究所 & 中国科学院自动化所） ； School of AI, UCAS（中国科学院大学人工智能学院） ； HKUST(gz)（香港科技大学） ； PRLab, NJU（南京大学PRLab）
专题命中 多模态生成 ：multimodal(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI、cs.MM
AI总结 本文提出OSMF框架，通过自适应分组和群组感知多模态模型，解决广告图像生成中用户群体点击偏好多样性的优化问题。
Socratic-Geo：通过多智能体交互实现合成数据生成与几何推理
机构 * AI DATA, Alibaba Group Holding Limited（阿里数据，阿里巴巴集团控股有限公司） ； EPIC Lab, Shanghai Jiao Tong University（上海交通大学EPIC实验室） ； Shanghai University of Finance（上海财经大学） ； Wuhan University（武汉大学）
专题命中 多模态生成 ：multimodal(abstract)；image-text(abstract)；分类 cs.CV、cs.AI
AI总结 Socratic-Geo通过多智能体交互实现合成数据生成与几何推理，利用教师代理和求解代理动态耦合数据合成与模型学习，提升图像生成和推理能力。
Comments 18pages
PnP-U3D: 无缝接入3D框架，连接自回归与扩散以实现统一的理解与生成
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 多模态生成 ：multimodal(abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 PnP-U3D提出结合自回归与扩散的统一3D理解和生成框架，通过轻量级Transformer实现跨模态信息交换，提升3D生成与编辑性能。
Comments Yongwei Chen and Tianyi Wei contributed equally. Project page: https://cyw-3d.github.io/PnP-U3D/
基于技能的自主代理用于材料蠕变数据库构建
专题命中 多模态生成 ：multi-modal(abstract)；cross-modal(abstract)
AI总结 本文提出基于技能的自主代理框架，用于从科学文献中自动提取高保真的材料蠕变数据，实现物理自洽的数据库构建。
从标记到数字：用于SVG生成的连续数字建模
机构 * Cheriton School of Computer Science, University of Waterloo, Waterloo, ON, Canada（滑铁卢大学计算机科学学院） ； Vector Institute（向量研究所）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出连续数字建模（CNM）方法，通过直接建模连续数值提升SVG生成的效率与质量，实现训练速度提升30%及更高的视觉保真度。
隐式神经微分方程用于模型指导的精准给药：克服药代动力学中的结构假设
专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.AI
AI总结 本文提出基于隐式神经ODE的模型，用于精准给药中的他克莫司AUC预测，通过模拟和临床验证展示了其在复杂生物动态建模中的优越性能。
如何通过扩散模型使拉格朗日量引导安全强化学习？
机构 * University College London（伦敦大学学院） ； Imperial College London（伦敦帝国学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； Kyoto University（京都大学） ； King's College London（伦敦国王学院） ； University of Sheffield（谢菲尔德大学） ； Shanghai University of Finance and Economics（上海财经大学）
专题命中 多模态生成 ：multimodal(abstract)
AI总结 本文提出ALGD算法，通过增强拉格朗日方法解决安全强化学习中的稳定性问题，实现稳定有效的政策生成。
大语言模型赋能的可视化交互现状
专题命中 多模态生成 ：multimodal(abstract)
AI总结 本文系统回顾了大语言模型与可视化交互的研究现状，分析了6个维度的48篇论文，突出了新兴设计模式和评估挑战，旨在指导未来LLM增强的可视化研究和系统设计。
Comments Submitted to STARs of EuroVis'26
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