多模态大模型

MILR: Improving Multimodal Image Generation via Test-Time Latent Reasoning

MILR：通过测试时潜在推理改进多模态图像生成

Yapeng Mi, Yanpeng Zhao, Hengli Li, Chenxi Li, Huimin Wu, Xiaojian Ma, Song-Chun Zhu, Ying Nian Wu, Qing Li

机构 * University of Science and Technology of China（中国科学技术大学） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； 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(title,abstract)；cross-modal(abstract)；分类 cs.CV、cs.AI

AI总结 MILR通过测试时潜在推理提升多模态图像生成性能，实现跨模态推理和统一潜在空间优化。

Comments 21 pages,14 figures,9 tables

SchröMind: Mitigating Hallucinations in Multimodal Large Language Models via Solving the Schrödinger Bridge Problem

SchröMind: 通过求解薛定谔桥问题减轻多模态大语言模型中的幻觉

Ziqiang Shi, Rujie Liu, Shanshan Yu, Satoshi Munakata, Koichi Shirahata

机构 * Fujitsu Research \& Development Center Co.,LTD., Beijing, China Fujitsu Limited, Tokyo, Japan 纠错

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

AI总结 SchröMind通过求解薛定谔桥问题，有效减轻多模态大语言模型中的幻觉问题，提升模型在医疗等高风险领域的应用能力。

Comments ICASSP 2026

Common Objects Out of Context (COOCo): Investigating Multimodal Context and Semantic Scene Violations in Referential Communication

常见物体脱离上下文（COOCo）：研究多模态上下文和语义场景违规在指代通信中的作用

Filippo Merlo, Ece Takmaz, Wenkai Chen, Albert Gatt

机构 * Utrecht University（乌特雷赫大学） ； University of Trento（特伦托大学） 纠错

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

AI总结 COOCo研究了VLMs在指代生成中如何利用场景上下文，发现模型根据语义相关性和噪声水平动态平衡局部与上下文信息。

Comments Accepted to TACL (pre-MIT Press publication version)

ALIVE: Animate Your World with Lifelike Audio-Video Generation

ALIVE: 用逼真音频视频生成动画你的世界

Ying Guo, Qijun Gan, Yifu Zhang, Jinlai Liu, Yifei Hu, Pan Xie, Dongjun Qian, Yu Zhang, Ruiqi Li, Yuqi Zhang, Ruibiao Lu, Xiaofeng Mei, Bo Han, Xiang Yin, Bingyue Peng, Zehuan Yuan

机构 * Bytedance ALIVE Team（字节跳动ALIVE团队） 纠错

专题命中 多模态生成 ：cross-modal(abstract)；audio-visual(abstract)；分类 cs.CV

AI总结 ALIVE通过结合预训练文本到视频模型与新的音频视频生成技术，实现了逼真的音频视频生成和动画，展示了优于开源和商业解决方案的性能。

Comments Technical report for ALIVE. Bytedance ALIVE Team. Homepage: https://foundationvision.github.io/Alive/

ConsID-Gen: View-Consistent and Identity-Preserving Image-to-Video Generation

ConsID-Gen：视图一致且身份保持的图像到视频生成

Mingyang Wu, Ashirbad Mishra, Soumik Dey, Shuo Xing, Naveen Ravipati, Hansi Wu, Binbin Li, Zhengzhong Tu

机构 * Texas A&M University（德克萨斯大学） ； eBay Inc.（eBay公司） 纠错

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

AI总结 ConsID-Gen通过视图辅助生成框架提升图像到视频生成的视图一致性和身份保持性。

Comments Project page: https://myangwu.github.io/ConsID-Gen

Where Do Images Come From? Analyzing Captions to Geographically Profile Datasets

图像来自哪里？通过分析描述词地理上剖析数据集

Abhipsa Basu, Yugam Bahl, Kirti Bhagat, Preethi Seshadri, R. Venkatesh Babu, Danish Pruthi

机构 * Indian Institute of Science, Bangalore（印度科学研究院，班加罗尔） ； TNSQ AI（TNSQ人工智能） ； University of California, Irvine（加州大学尔湾分校） 纠错

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

AI总结 研究通过分析图像描述词地理分布，发现训练数据严重偏向欧美国家，且代表性与GDP正相关，但生成图像的多样性不足。

Comments 41 pages, 20 figures

SceneReVis: A Self-Reflective Vision-Grounded Framework for 3D Indoor Scene Synthesis via Multi-turn RL

SceneReVis: 一种基于多轮强化学习的视觉 grounding 框架，用于通过多轮强化学习进行 3D 室内场景合成

Yang Zhao, Shizhao Sun, Meisheng Zhang, Yingdong Shi, Xubo Yang, Jiang Bian

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Microsoft Research Asia, Beijing, China（微软亚洲研究院） ； Peking University, Beijing, China（北京大学） ； ShanghaiTech University, Shanghai, China（上海科技大学） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV

AI总结 SceneReVis 通过多轮强化学习和多模态反馈，实现高保真 3D 室内场景合成，提升空间规划能力。

Unified Personalized Reward Model for Vision Generation

面向视觉生成的统一个性化奖励模型

Yibin Wang, Yuhang Zang, Feng Han, Jiazi Bu, Yujie Zhou, Cheng Jin, Jiaqi Wang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiaotong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） 纠错

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

AI总结 本文提出UnifiedReward-Flex，一种面向视觉生成的统一个性化奖励模型，通过结合奖励建模与灵活上下文适应的推理，提升视觉生成的准确性与对人类偏好的对齐性。

Comments Website: https://codegoat24.github.io/UnifiedReward/flex

Automated Lesion Segmentation of Stroke MRI Using nnU-Net: A Comprehensive External Validation Across Acute and Chronic Lesions

利用nnU-Net实现脑卒中MRI病变自动分割：在急性与慢性病变上的全面外部验证

Tammar Truzman, Matthew A. Lambon Ralph, Ajay D. Halai

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

AI总结 本文利用nnU-Net框架对脑卒中MRI病变进行自动分割，验证了模型在急性与慢性病变中的泛化能力，发现病变体积和图像质量是影响分割准确性的关键因素。

Comments 32 pages, 7 figures. Submitted to Brain. Code and trained models available

Journal ref 2026