多模态大模型

A Single Image and Multimodality Is All You Need for Novel View Synthesis

单张图像与多模态信息足矣实现新视角合成

Amirhosein Javadi, Chi-Shiang Gau, Konstantinos D. Polyzos, Tara Javidi

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

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

AI总结 本文提出利用稀疏多模态测距数据提升单图像新视角合成的几何一致性和视觉质量，通过多模态深度重建框架替代传统单目深度估计，增强扩散模型的生成效果。

LLaMo: Scaling Pretrained Language Models for Unified Motion Understanding and Generation with Continuous Autoregressive Tokens

LLaMo：通过连续自回归令牌扩展预训练语言模型，实现统一的运动理解和生成

Zekun Li, Sizhe An, Chengcheng Tang, Chuan Guo, Ivan Shugurov, Linguang Zhang, Amy Zhao, Srinath Sridhar, Lingling Tao, Abhay Mittal

机构 * Brown University（布朗大学） ； Meta 纠错

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

AI总结 LLaMo通过模态特定的Transformer混合架构扩展预训练语言模型，解决运动-语言生成和理解的统一问题，实现高保真文本到运动生成和运动到文本描述。

Comments Project page: https://kunkun0w0.github.io/project/LLaMo/

PILOT: A Promptable Interleaved Layout-aware OCR Transformer

PILOT：一种可提示的交错布局感知OCR变压器

Laziz Hamdi, Amine Tamasna, Pascal Boisson, Thierry Paquet

机构 * univ-rouen（鲁昂大学） ； LITIS（LITIS研究所） ； Malakoff Humanis（马拉科夫人类研究所） 纠错

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

AI总结 PILOT提出一种统一的OCR模型，通过交错布局感知和提示条件生成，实现手写和印刷文档的文本识别与空间定位，优于传统OCR和端到端HTR模型。

LeapAlign: Post-Training Flow Matching Models at Any Generation Step by Building Two-Step Trajectories

LeapAlign: 通过构建两步轨迹实现任意生成步骤的训练后流匹配模型对齐

Zhanhao Liang, Tao Yang, Jie Wu, Chengjian Feng, Liang Zheng

机构 * The Australian National University（澳大利亚国立大学） 纠错

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

AI总结 本文提出LeapAlign方法，通过缩短生成轨迹为两步，减少计算成本并实现早期生成步骤的梯度传播，提升模型更新效率与稳定性，优于现有方法。

Comments Accepted by CVPR 2026. Project page: https://rockeycoss.github.io/leapalign/

Seedance 2.0: Advancing Video Generation for World Complexity

Seedance 2.0：提升世界复杂度的视频生成

Team Seedance, De Chen, Liyang Chen, Xin Chen, Ying Chen, Zhuo Chen, Zhuowei Chen, Feng Cheng, Tianheng Cheng, Yufeng Cheng, Mojie Chi, Xuyan Chi, Jian Cong, Qinpeng Cui, Fei Ding, Qide Dong, Yujiao Du, Haojie Duanmu, Junliang Fan, Jiarui Fang, Jing Fang, Zetao Fang, Chengjian Feng, Yu Gao, Diandian Gu, Dong Guo, Hanzhong Guo, Qiushan Guo, Boyang Hao, Hongxiang Hao, Haoxun He, Jiaao He, Qian He, Tuyen Hoang, Heng Hu, Ruoqing Hu, Yuxiang Hu, Jiancheng Huang, Weilin Huang, Zhaoyang Huang, Zhongyi Huang, Jishuo Jin, Ming Jing, Ashley Kim, Shanshan Lao, Yichong Leng, Bingchuan Li, Gen Li, Haifeng Li, Huixia Li, Jiashi Li, Ming Li, Xiaojie Li, Xingxing Li, Yameng Li, Yiying Li, Yu Li, Yueyan Li, Chao Liang, Han Liang, Jianzhong Liang, Ying Liang, Wang Liao, J. H. Lien, Shanchuan Lin, Xi Lin, Feng Ling, Yue Ling, Fangfang Liu, Jiawei Liu, Jihao Liu, Jingtuo Liu, Shu Liu, Sichao Liu, Wei Liu, Xue Liu, Zuxi Liu, Ruijie Lu, Lecheng Lyu, Jingting Ma, Tianxiang Ma, Xiaonan Nie, Jingzhe Ning, Junjie Pan, Xitong Pan, Ronggui Peng, Xueqiong Qu, Yuxi Ren, Yuchen Shen, Guang Shi, Lei Shi, Yinglong Song, Fan Sun, Li Sun, Renfei Sun, Wenjing Tang, Boyang Tao, Zirui Tao, Dongliang Wang, Feng Wang, Hulin Wang, Ke Wang, Qingyi Wang, Rui Wang, Shuai Wang, Shulei Wang, Weichen Wang, Xuanda Wang, Yanhui Wang, Yue Wang, Yuping Wang, Yuxuan Wang, Zijie Wang, Ziyu Wang, Guoqiang Wei, Meng Wei, Di Wu, Guohong Wu, Hanjie Wu, Huachao Wu, Jian Wu, Jie Wu, Ruolan Wu, Shaojin Wu, Xiaohu Wu, Xinglong Wu, Yonghui Wu, Ruiqi Xia, Xin Xia, Xuefeng Xiao, Shuang Xu, Bangbang Yang, Jiaqi Yang, Runkai Yang, Tao Yang, Yihang Yang, Zhixian Yang, Ziyan Yang, Fulong Ye, Bingqian Yi, Xing Yin, Yongbin You, Linxiao Yuan, Weihong Zeng, Xuejiao Zeng, Yan Zeng, Siyu Zhai, Zhonghua Zhai, Bowen Zhang, Chenlin Zhang, Heng Zhang, Jun Zhang, Manlin Zhang, Peiyuan Zhang, Shuo Zhang, Xiaohe Zhang, Xiaoying Zhang, Xinyan Zhang, Xinyi Zhang, Yichi Zhang, Zixiang Zhang, Haiyu Zhao, Huating Zhao, Liming Zhao, Yian Zhao, Guangcong Zheng, Jianbin Zheng, Xiaozheng Zheng, Zerong Zheng, Kuan Zhu, Feilong Zuo

机构 * ByteDance Seed（字节跳动Seed） 纠错

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

AI总结 Seedance 2.0通过统一高效架构提升多模态音频视频生成能力，支持文本、图像、音频、视频四种输入模态，提供高质量生成体验。

Comments Seedance 2.0 Model Card

Combating Pattern and Content Bias: Adversarial Feature Learning for Generalized AI-Generated Image Detection

对抗模式与内容偏差：面向通用AI生成图像检测的对抗性特征学习

Haifeng Zhang, Qinghui He, Xiuli Bi, Bo Liu, Chi-Man Pun, Bin Xiao

机构 * Chongqing Key Laboratory of Image Cognition, School of Computer Science and Technology, Chongqing University of Posts and Telecommunications（重庆图像认知重点实验室，重庆邮电大学计算机科学与技术学院） ； Faculty of Science and Technology of the University of Macau（澳门大学科学与技术学院） ； Jinan Inspur Data Technology Co., Ltd.（济南 Inspur 数据科技有限公司） 纠错

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

AI总结 本文提出MAFL框架，通过对抗性学习减少生成图像检测中的模式与内容偏差，提升跨模型泛化能力，实验表明其在准确率和AP上优于现有方法。

Generation-Augmented Generation: A Plug-and-Play Framework for Private Knowledge Injection in Large Language Models

生成增强生成：一种用于大语言模型私有知识注入的即插即用框架

Rongji Li, Jian Xu, Yi Chen, Xueqing Chen, Yisheng Yang, Jiayi Wang, Xingyu Chen, Chunyu Xie, Dawei Leng, Xu-Yao Zhang

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Zhongguancun Academy（中关村学院） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； AI Research（360人工智能研究院） 纠错

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

AI总结 本文提出GAG框架，通过将私有专业知识作为辅助模态注入冻结的基础模型，解决私有知识注入中的效率与效果平衡问题，在科学和通用领域问答中均表现出色。

LottieGPT: Tokenizing Vector Animation for Autoregressive Generation

LottieGPT：为自回归生成设计向量动画的标记化

Junhao Chen, Kejun Gao, Yuehan Cui, Mingze Sun, Mingjin Chen, Shaohui Wang, Xiaoxiao Long, Fei Ma, Qi Tian, Ruqi Huang, Hao Zhao

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； AIR, Tsinghua University（清华大学人工智能研究院） ； BAAI（百度人工智能研究院） ； The Hong Kong Polytechnic University（香港理工大学） ； Nanjing University（南京大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳）） 纠错

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

AI总结 本文提出首个向量动画标记化与自回归生成框架，基于Lottie标准设计标记器并构建大规模数据集，通过微调Qwen-VL生成可编辑的向量动画。

Comments Accepted by CVPR 2026. Project Page: https://lottiegpt.github.io/

El Agente Estructural: An Artificially Intelligent Molecular Editor

结构代理：一种人工智能分子编辑器

Changhyeok Choi, Yunheng Zou, Marcel Müller, Han Hao, Yeonghun Kang, Juan B. Pérez-Sánchez, Ignacio Gustin, Hanyong Xu, Andrew Wang, Mohammad Ghazi Vakili, Chris Crebolder, Alán Aspuru-Guzik, Varinia Bernales

机构 * University of Toronto（多伦多大学） ； Acceleration Consortium（加速联盟） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高等研究院） ； NVIDIA（英伟达） 纠错

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

AI总结 本文提出El Agente Estructural，一种多模态、自然语言驱动的几何生成与操控代理，用于自主化学和分子建模。该代理通过整合领域知识工具和视觉语言模型，实现对分子结构的精确操控，无需重建核心分子框架。

Diffusion-CAM: Faithful Visual Explanations for dMLLMs

扩散-CAM：面向dMLLMs的可信视觉解释

Haomin Zuo, Yidi Li, Luoxiao Yang, Xiaofeng Zhang

机构 * Department of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知系） ； Sun Yat-sen University（中山大学） ； Northwestern University（西北大学） ； Technion - Israel Institute of Technology（以色列理工学院） 纠错

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

AI总结 本文提出Diffusion-CAM，一种专为扩散多模态大语言模型设计的可解释性方法，通过可微探针获取中间表示，捕捉潜在特征及其类别梯度，解决空间模糊和图像内部混淆问题，提升定位准确性和视觉保真度。

Comments Accepted by ACL 2026 main conference

CSPO: Alleviating Reward Ambiguity for Structured Table-to-LaTeX Generation

CSPO：缓解结构化表格到LaTeX生成中的奖励模糊性

Yunfan Yang, Cuiling Lan, Jitao Sang, Yan Lu

机构 * Beijing Jiaotong University（北京交通大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

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

AI总结 本文提出CSPO框架，通过分离LaTeX表格组件的优化，缓解奖励模糊性，提升结构化生成的可靠性。

Comments Accepted by ACL2026 (main conference)

Premier: Personalized Preference Modulation with Learnable User Embedding in Text-to-Image Generation

Premier: 基于可学习用户嵌入的个性化偏好调节在文本到图像生成中

Zihao Wang, Yuxiang Wei, Xinpeng Zhou, Tianyu Zhang, Tao Liang, Yalong Bai, Hongzhi Zhang, Wangmeng Zuo

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Duxiaoman（度小满） 纠错

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

AI总结 Premier通过可学习用户嵌入和偏好适配器实现个性化图像生成，引入分散损失提升用户偏好区分度，实验显示其在偏好对齐和文本一致性上表现更优。

Particle Diffusion Matching: Random Walk Correspondence Search for the Alignment of Standard and Ultra-Widefield Fundus Images

粒子扩散匹配：用于标准和超宽场视网膜图像对齐的随机游走对应搜索

Kanggeon Lee, Soochahn Lee, Kyoung Mu Lee

机构 * ASRI, Dept. of ECE, Seoul National University（首尔大学电气与计算机工程系ASRI） ； School of Electrical Engineering, Kookmin University（国民大学电气工程学院） 纠错

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

AI总结 本文提出了一种稳健的对齐技术，通过扩散模型引导的迭代随机游走对应搜索（RWCS）实现标准视网膜图像（SFIs）和超宽场视网膜图像（UWFIs）的对齐，解决了尺度、外观差异和特征稀少的问题，展示了在多个视网膜图像对齐基准上的最佳性能。

Rhizome OS-1: Rhizome's Semi-Autonomous Operating System for Small Molecule Drug Discovery

Rhizome OS-1：Rhizome的半自主操作系统用于小分子药物发现

Yiwen Wang, Gregory Sinenka, Xhuliano Brace

机构 * Rhizome Research Inc. 纠错

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

AI总结 Rhizome OS-1通过多模态AI代理实现小分子药物发现的半自动化，结合计算化学、医药化学和专利代理功能，生成新颖分子并评估专利自由度，利用图扩散模型生成化学物质。

Text-to-Image Models and Their Representation of People from Different Nationalities Engaging in Activities

文本到图像模型及其对不同民族参与活动的人的表示

Abdulkareem Alsudais

机构 * Prince Sattam bin Abdulaziz University（沙特王子萨塔姆·本·阿卜杜勒阿齐兹大学） 纠错

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

AI总结 研究分析了DALL-E 3和Gemini 3 Pro Preview在生成日常活动图像时对206个民族的表示，发现传统服饰在某些活动中不适用，且与地区和收入组相关联。

Do Vision Language Models Need to Process Image Tokens?

视觉语言模型是否需要处理图像标记？

Sambit Ghosh, R. Venkatesh Babu, Chirag Agarwal

机构 * IBM ； Indian Institute of Science（印度科学研究所） ； University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 本文研究了视觉语言模型中图像标记的功能，发现视觉表示快速收敛至有限复杂度，而文本表示持续重构。视觉表示在不同层间可互换，任务依赖性影响视觉处理的必要性。

Comments Accepted (Oral) at TRUE-V Workshop CVPR 2026

Fast-dVLM: Efficient Block-Diffusion VLM via Direct Conversion from Autoregressive VLM

Fast-dVLM: 通过直接转换自回归VLM实现高效的块扩散VLM

Chengyue Wu, Shiyi Lan, Yonggan Fu, Sensen Gao, Jin Wang, Jincheng Yu, Jose M. Alvarez, Pavlo Molchanov, Ping Luo, Song Han, Ligeng Zhu, Enze Xie

机构 * The University of Hong Kong（香港大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 本文提出Fast-dVLM，通过直接转换自回归VLM实现高效的块扩散VLM，采用KV-cache兼容并行解码和推测块解码，提升推理效率。实验表明其生成质量与自回归模型相当，且通过SGLang和FP8量化实现6倍以上的推理加速。

DiffVC: A Non-autoregressive Framework Based on Diffusion Model for Video Captioning

DiffVC: 一种基于扩散模型的非自回归框架用于视频描述生成

Junbo Wang, Liangyu Fu, Yuke Li, Yining Zhu, Ya Jing, Xuecheng Wu, Jiangbin Zheng

机构 * School of Software, Northwestern Polytechnical University（西北工业大学软件学院） ； School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院） ； Beijing University Of Technology（北京工业大学） 纠错

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

AI总结 本文提出DiffVC，一种基于扩散模型的非自回归框架，解决视频描述生成中自回归方法速度慢和累积误差问题，通过并行解码和判别性条件扩散模型提升生成质量，实验表明其在多个数据集上优于非自回归方法并接近自回归方法。

Evolution of Video Generative Foundations

视频生成基础的演变

Teng Hu, Jiangning Zhang, Hongrui Huang, Ran Yi, Zihan Su, Jieyu Weng, Zhucun Xue, Lizhuang Ma, Ming-Hsuan Yang, Dacheng Tao

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

AI总结 本文综述了视频生成技术的发展，从早期GAN到扩散模型，再到AR和多模态技术，探讨了核心原理、关键进展及未来趋势，旨在为视频生成及其应用提供指导。

Think in Strokes, Not Pixels: Process-Driven Image Generation via Interleaved Reasoning

以笔触而非像素思考：通过交错推理实现过程驱动的图像生成

Lei Zhang, Junjiao Tian, Zhipeng Fan, Kunpeng Li, Jialiang Wang, Weifeng Chen, Markos Georgopoulos, Felix Juefei-Xu, Yuxiang Bao, Julian McAuley, Manling Li, Zecheng He

机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； University of California, San Diego（加州大学圣迭戈分校） ； Worcester Polytechnic Institute（伍斯特理工学院） ； Northwestern University（西北大学） 纠错

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

AI总结 本文提出过程驱动的图像生成方法，通过交错推理轨迹分解合成过程，通过文本规划、视觉草图、文本反思和视觉细化四个阶段，使生成过程显式、可解释且可监督。

MolDA: Molecular Understanding and Generation via Large Language Diffusion Model

MolDA：通过大规模语言扩散模型实现分子理解与生成

Seohyeon Shin, HanJun Choi, Jun-Hyung Park, Hong Kook Kim, Mansu Kim

机构 * Gwangju Institute of Science and Technology（光州科学技术院） ； Hankuk University of Foreign Studies（韩国外国语大学） 纠错

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

AI总结 MolDA通过大规模语言扩散模型替代传统自回归架构，解决分子生成中非局部约束和结构误差问题，实现分子生成、描述和性质预测的全局一致性与化学有效性。

Image-to-Text for Medical Reports Using Adaptive Co-Attention and Triple-LSTM Module

利用自适应共注意和三LSTM模块的图像到文本生成医学报告

Yishen Liu

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

AI总结 本文提出CA-TriNet模型，结合Transformer和多LSTM网络，通过自适应权重运算和三LSTM模块提升医学图像与文本生成的准确性与多样性。

Comments arXiv admin note: This submission has been withdrawn by arXiv administrators due to incorrect authorship. Author list truncated

BoxComm: Benchmarking Category-Aware Commentary Generation and Narration Rhythm in Boxing

BoxComm：基于 boxing 的类别感知评论生成与叙述节奏基准测试

Kaiwen Wang, Kaili Zheng, Rongrong Deng, Yiming Shi, Chenyi Guo, Ji Wu

机构 * Tsinghua University（清华大学） ； Beijing Sport University（北京体育大学） 纠错

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

AI总结 本文提出 BoxComm 数据集，包含 445 场世界拳击锦标赛视频及 52000 多条专业评论，通过分类注解和两项新评估方法，解决拳击评论生成中的节奏与类别准确性问题。

Enhancing Foundation VLM Robustness to Missing Modality: Scalable Diffusion for Bi-directional Feature Restoration

增强基础视觉语言模型对缺失模态的鲁棒性：可扩展的扩散用于双向特征恢复

Wei Dai, Haoyu Wang, Honghao Chang, Lijun He, Fan Li, Jian Sun, Haixia Bi

机构 * Department of Electronics ； Information \ 'an Jiaotong University Xi'an China ； School of Information ； Communications Engineering \ 'an Jiaotong University Xi'an China ； School of Mathematics ； Statistics \ 'an Jiaotong University Xi'an China ； Information \ 'an Jiaotong University ； Communications Engineering \ 'an Jiaotong University ； Statistics \ 'an Jiaotong University 纠错

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

AI总结 本文提出一种通用缺失模态恢复策略，通过增强扩散模型实现双向特征对齐，提升视觉语言模型在模态缺失情况下的鲁棒性和可扩展性。

Comments 10 pages, 8 figures, 6 tables. Experiments and some details have been updated

VOSR: A Vision-Only Generative Model for Image Super-Resolution

VOSR：一种仅基于视觉的生成模型用于图像超分辨率

Rongyuan Wu, Lingchen Sun, Zhengqiang Zhang, Xiangtao Kong, Jixin Zhao, Shihao Wang, Lei Zhang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； OPPO Research Institute（OPPO研究院） 纠错

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

AI总结 本文提出VOSR，一种仅基于视觉的生成模型，通过视觉语义指导提取低分辨率输入的语义丰富特征，并采用恢复导向的指导策略，实现高效且高质量的图像超分辨率。

Comments Accepted by CVPR2026

OmniWeaving: Towards Unified Video Generation with Free-form Composition and Reasoning

OmniWeaving：迈向统一视频生成的自由组合与推理

Kaihang Pan, Qi Tian, Jianwei Zhang, Weijie Kong, Jiangfeng Xiong, Yanxin Long, Shixue Zhang, Haiyi Qiu, Tan Wang, Zheqi Lv, Yue Wu, Liefeng Bo, Siliang Tang, Zhao Zhong

机构 * Zhejiang University（浙江大学） ； Tencent Hunyuan（腾讯混元） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出OmniWeaving模型，通过大规模预训练数据学习多模态组合与推理能力，引入IntelligentVBench基准测试，展示其在开放源码统一视频生成中的领先性能。

Comments 32 pages, 22 figures. Project Page: https://omniweaving.github.io. Github: https://github.com/Tencent-Hunyuan/OmniWeaving. Model: https://huggingface.co/tencent/HY-OmniWeaving

Automated Prostate Gland Segmentation in MRI Using nnU-Net

使用nnU-Net进行MRI中前列腺的自动分割

Pablo Rodriguez-Belenguer, Gloria Ribas, Javier Aquerreta Escribano, Rafael Moreno-Calatayud, Leonor Cerda-Alberich, Luis Marti-Bonmati

机构 * Biomedical Imaging Research Group (GIBI230), Instituto de Investigación Sanitaria La Fe, Valencia, Spain（生物医学影像研究组（GIBI230），拉菲健康研究所，巴伦西亚，西班牙） 纠错

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

AI总结 本文提出基于nnU-Net的深度学习方法，利用多模态MRI数据实现前列腺自动分割，通过交叉验证和外部验证显示其高精度和泛化能力，优于通用工具。

Comments 9 pages, 2 tables, 1 figure

MM-ReCoder: Advancing Chart-to-Code Generation with Reinforcement Learning and Self-Correction

MM-ReCoder：通过强化学习和自我校正推进图表到代码生成

Zitian Tang, Xu Zhang, Jianbo Yuan, Yang Zou, Varad Gunjal, Songyao Jiang, Davide Modolo

机构 * Brown University（布朗大学） ； Amazon AGI（亚马逊AGI） 纠错

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

AI总结 MM-ReCoder通过强化学习和自我校正机制提升图表到代码生成能力，其两阶段多轮自我校正策略基于Group Relative Policy Optimization，提升代码准确性和可执行性。

Comments CVPR 2026

EgoFlow: Gradient-Guided Flow Matching for Egocentric 6DoF Object Motion Generation

EgoFlow：基于梯度的流匹配用于第一人称6自由度物体运动生成

Abhishek Saroha, Huajian Zeng, Xingxing Zuo, Daniel Cremers, Xi Wang

机构 * TU München（慕尼黑工业大学） ； MCML（慕尼黑机器学习中心） ； ETH Zürich（苏黎世联邦理工学院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 本文提出EgoFlow，通过多模态第一人称观察生成物理合理的物体运动轨迹，结合Mamba-Transformer-Perceiver架构和梯度引导推理，提升运动生成的准确性和物理真实性。

Comments CVPR 2026: https://abhi-rf.github.io/egoflow/

IGLOSS: Image Generation for Lidar Open-vocabulary Semantic Segmentation

IGLOSS：面向激光雷达开放词汇语义分割的图像生成

Nermin Samet, Gilles Puy, Renaud Marlet

机构 * LIGM, Ecole des Ponts, Univ Gustave Eiffel, CNRS（LIGM, 巴黎高科桥梁学院, 古斯塔夫·埃菲尔大学, 法国国家科学研究中心） 纠错

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

AI总结 本文提出一种新的方法，用于3D汽车激光雷达数据的零样本开放词汇语义分割。通过文本生成图像创建原型，利用2D视觉基础模型提取3D网络特征，实现点云标注，方法在nuScenes和SemanticKITTI上达到最新水平。