Tele-Omni: a Unified Multimodal Framework for Video Generation and Editing
Tele-Omni: 一种用于视频生成与编辑的统一多模态框架
机构 * TeleAI
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 Tele-Omni是一种统一多模态框架，通过解析文本、图像和参考视频指令，实现视频生成与编辑的灵活控制，提升时间一致性和视觉一致性。
AI 大模型
多模态大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
1. 多模态生成 4965 篇
Concept-Enhanced Multimodal RAG: Towards Interpretable and Accurate Radiology Report Generation
概念增强的多模态RAG：迈向可解释且准确的放射科报告生成
机构 * Department of Engineering（工程系） ； Research Unit of Artificial Intelligence and Computer Systems（人工智能与计算机系统研究单位） ； Università Campus Bio-Medico of Roma（罗马大学生物医学校园） ； Department of Computer, Control and Management Engineering（计算机、控制与管理工程系） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering（诊断与介入、辐射物理、生物医学工程系） ； Umeå University（乌梅拉大学） ； UniCamillus-Saint Camillus International University of Health Sciences（UniCamillus-圣卡米卢斯国际健康科学大学）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 概念增强的多模态RAG通过分解视觉表示为可解释的临床概念，提升放射科报告生成的可解释性和准确性。
Image Can Bring Your Memory Back: A Novel Multi-Modal Guided Attack against Image Generation Model Unlearning
图像能帮你找回记忆：一种新颖的多模态引导攻击对抗图像生成模型去学习
机构 * Institute of Data Science, National University of Singapore（数据科学研究所，新加坡国立大学） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
专题命中 多模态生成 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 Recall提出一种新颖的多模态引导攻击框架，针对图像生成模型去学习的鲁棒性进行攻击，展示其在对抗有效性、计算效率和语义保真度上的优势。
Comments Accepted by ICLR 2026
Training Multimodal Large Reasoning Models Needs Better Thoughts: A Three-Stage Framework for Long Chain-of-Thought Synthesis and Selection
训练多模态大推理模型需要更优质的思考：一种用于长链式思考合成与选择的三阶段框架
机构 * School of Computer Science and Engineering（计算机科学与工程学院） ； Key Laboratory of Computer Network and Information Integration (SEU), Ministry of Education（计算机网络与信息集成重点实验室（SEU））
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文提出SynSelect框架，通过三阶段合成与选择生成高质量多模态推理数据，提升模型推理能力。
Image-to-Brain Signal Generation for Visual Prosthesis with CLIP Guided Multimodal Diffusion Models
基于CLIP引导的多模态扩散模型的图像到脑信号生成用于视觉假体
机构 * Jinan University, Guangzhou, China ； Department of Rehabilitation Medicine, The First Affiliated Hospital of Jinan University, Guangzhou, China ； Western University, Ontario, Canada ； Guangdong University of Technology, Guangzhou, China ； Tsinghua University, Beijing, China
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本文提出基于CLIP引导的多模态扩散模型，实现图像到脑信号的转换，通过交叉注意力机制和空间-时间位置编码生成生物合理的脑信号。
PaperX: A Unified Framework for Multimodal Academic Presentation Generation with Scholar DAG
PaperX: 一种多模态学术演示生成的统一框架与学者DAG
机构 * CASIA（中国科学院自动化研究所） ； UCAS（乌尔姆大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； HKUST(GZ)（香港科技大学(广州)）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.AI
AI总结 PaperX通过Scholar DAG实现多模态学术演示生成的统一框架，提升内容质量和效率。
Comments 29 pages, 9 figures, Project website: https://github.com/yutao1024/PaperX
Aligning Dialogue Agents with Global Feedback via Large Language Model Multimodal Reward Decomposition
通过大语言模型多模态奖励分解对齐对话代理
机构 * MIT（麻省理工学院） ； CMU（卡内基梅隆大学）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CL
AI总结 本文提出了一种基于大语言模型的多模态奖励分解方法，通过分解会话级反馈来提升对话生成质量，无需人工反馈。
Comments 9 pages, 3 figures, 3 tables
Multimodal Priors-Augmented Text-Driven 3D Human-Object Interaction Generation
多模态先验增强的文本驱动3D人-物交互生成
机构 * State Key Laboratory of Virtual Reality Technology and Systems（虚拟现实技术与系统国家重点实验室） ； Beihang University（北京航空航天大学） ； Department of Computer Science, University of Durham（杜伦大学计算机科学系） ； Zhongguancun Laboratory（中关村实验室）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 本文提出MP-HOI框架，通过多模态先验、增强物体表示、模态感知MoE模型和级联扩散技术，提升文本驱动的3D人-物交互生成效果。
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
机构 * Fujitsu Research \& Development Center Co.,LTD., Beijing, China Fujitsu Limited, Tokyo, Japan
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
A Unified Framework for Multimodal Image Reconstruction and Synthesis using Denoising Diffusion Models
基于去噪扩散模型的多模态图像重建与合成统一框架
机构 * Department of Computer Science and Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校计算机科学与工程系） ； Mallinckrodt Institute of Radiology, Washington University in St. Louis（华盛顿大学圣路易斯分校马林克罗德特放射医学研究所） ； Department of Electrical and Systems Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校电气与系统工程系） ； Department of Neurology, Washington University in St. Louis（华盛顿大学圣路易斯分校神经病学系） ； Department of Biomedical Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校生物医学工程系） ； Division of Biology and Biomedical Sciences, Washington University in St. Louis（华盛顿大学圣路易斯分校生物学与生物医学科学 division） ； Department of Electrical and Computer Engineering, University of Wisconsin–Madison（威斯康星大学麦迪逊分校电气与计算机工程系）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 Any2all通过统一框架实现多模态图像重建与合成，利用去噪扩散模型提升性能与质量。
Simultaneous Tactile-Visual Perception for Learning Multimodal Robot Manipulation
同时触觉-视觉感知用于学习多模态机器人操作
机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Psychological and Cognitive Sciences, Peking University（北京大学心理与认知科学学院） ； Beijing Key Lab of Behavior and Mental Health, Peking University（北京大学行为与心理健康北京市重点实验室） ； Beijing Institute for General Artificial Intelligence（北京一般人工智能研究院） ； State Key Lab for General Artificial Intelligence（一般人工智能国家重点实验室） ； Embodied Intelligence Lab, PKU-Wuhan Institute for Artificial Intelligence（具身智能实验室，北京大学武汉人工智能研究院） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 TacThru-UMI通过结合同时触觉-视觉感知与现代学习框架，实现了高精度多模态机器人操作。
UniLiP: Adapting CLIP for Unified Multimodal Understanding, Generation and Editing
UniLiP: 适配CLIP以实现统一的多模态理解、生成与编辑
机构 * Center for Data Science, Peking University（北京大学数据科学中心） ； Alibaba Group（阿里巴巴集团） ； CASIA ； Center for Machine Learning Research, Peking University（北京大学机器学习研究中心） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 UniLIP通过两阶段训练和双条件架构，提升CLIP在多模态理解、生成和编辑任务中的性能，实现高效参数下的高表现。
PairUni: Pairwise Training for Unified Multimodal Language Models
PairUni: 用于统一多模态语言模型的成对训练
机构 * ByteDance（字节跳动）
专题命中 多模态生成 ：multimodal(title)；cross-modal(abstract)；分类 cs.CL
AI总结 PairUni通过成对训练提升统一多模态语言模型的理解与生成能力，采用配对数据集和PairGRPO算法实现更有效的策略学习。
Comments 22 pages, 11 figures, and 10 tables
Aligned Novel View Image and Geometry Synthesis via Cross-modal Attention Instillation
通过跨模态注意力安装实现对齐的新视角图像和几何合成
机构 * NAVER AI Lab（NAVER AI实验室） ； KAIST AI（韩国科学技术院人工智能学院） ； SNU AIIS（首尔国立大学人工智能研究所）
专题命中 多模态生成 ：cross-modal(title,abstract)；分类 cs.CV
AI总结 本文提出了一种基于扩散的框架，通过跨模态注意力蒸馏实现新视角图像和几何的对齐生成，提升几何鲁棒性和重建质量。
Comments Project page at https://cvlab-kaist.github.io/MoAI
M3: High-fidelity Text-to-Image Generation via Multi-Modal, Multi-Agent and Multi-Round Visual Reasoning
M3：通过多模态、多智能体和多轮视觉推理实现高保真的文本到图像生成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 多模态生成 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 M3通过多智能体和多轮视觉推理提升开源模型的文本到图像生成能力，超越商业系统并实现最先进的性能。
LazyDrag: Enabling Stable Drag-Based Editing on Multi-Modal Diffusion Transformers via Explicit Correspondence
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: Advanced Multimodal Liver Tumor Segmentation via Diffusion-Based Image Synthesis and Alignment
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
Q Cache: Visual Attention is Valuable in Less than Half of Decode Layers for Multimodal Large Language Model
Q Cache：视觉注意力在少于一半的解码层中具有价值用于多模态大语言模型
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 Q Cache通过跨层共享相似注意力模式，减少多模态大语言模型中的KV缓存使用量，提升吞吐量并保持性能
Comments Accepted by AAAI26
Multimodal Scientific Learning Beyond Diffusions and Flows
多模态科学学习超越扩散与流
机构 * Graduate Group in Applied Mathematics and Computational Science（应用数学与计算科学联合研究生组） ； Department of Computer and Information Science（计算机与信息科学系） ； Department of Mechanical Engineering and Applied Mechanics（机械工程与应用力学系）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文提出混合密度网络作为多模态科学学习中更高效、更稳定的替代方法，实现对科学问题中多模态不确定性的有效建模与解决。
RMFlow: Refined Mean Flow by a Noise-Injection Step for Multimodal Generation
RMFlow：通过噪声注入步骤细化均流以实现多模态生成
机构 * Department of Mathematics and Scientific Computing and Imaging (SCI) Institute University of Utah（数学与科学计算及成像学院（SCI）院，犹他大学） ； Department of Mathematics, UCLA（数学系，加州大学洛杉矶分校）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.AI
AI总结 RMFlow通过引入噪声注入步骤，改进均流模型，实现高效多模态生成，仅需单次功能评估即可达到接近最先进的性能。
Comments Accepted to ICLR 2026
WordCraft: Scaffolding the Keyword Method for L2 Vocabulary Learning with Multimodal LLMs
WordCraft: 通过多模态大语言模型 scaffolding 关键词方法用于L2词汇学习
机构 * School of Information Science and Technology, ShanghaiTech University（信息科学与技术学院，上海科技大学） ； School of Creativity and Art, ShanghaiTech University（创意与艺术学院，上海科技大学） ； Shanghai Fengxian Dai Wen Middle School（上海奉贤戴文中学）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CL
AI总结 WordCraft通过多模态大语言模型辅助L2词汇学习，提升关键词方法的使用效果和学习者参与度。
Comments Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI' 26), April 13--17, 2026, Barcelona, Spain
Efficient UAV trajectory prediction: A multi-modal deep diffusion framework
高效无人机轨迹预测：一种多模态深度扩散框架
专题命中 多模态生成 ：multi-modal(title,abstract)；分类 cs.CV
AI总结 本文提出一种多模态深度融合框架，通过融合激光雷达和毫米波雷达数据提升无人机轨迹预测精度，实验显示其比基线模型提升40%。
Comments in Chinese language
MMFineReason: Closing the Multimodal Reasoning Gap via Open Data-Centric Methods
MMFineReason: 通过以开放数据为中心的方法缩小多模态推理差距
机构 * Shanghai Artificial Intelligence Laboratory, OpenDataLab（上海人工智能实验室、OpenDataLab） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； The University of Hong Kong（香港大学）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 MMFineReason通过大规模多模态推理数据集和基于难度的过滤策略，提升模型推理能力与参数效率。
Multi-modal Imputation for Alzheimer's Disease Classification
多模态缺失数据填补用于阿尔茨海默病分类
机构 * Information Sciences Institute（信息科学研究所） ； University of Southern California（美国南加州大学） ； University of California（加州大学） ； Stevens Neuroimaging and Informatics Institute（史蒂文斯神经影像与信息学研究所）
专题命中 多模态生成 ：multi-modal(title)；multimodal(abstract)；分类 cs.AI
AI总结 本文提出利用条件去噪扩散概率模型填补缺失的DWI扫描，以提高多模态深度学习模型在阿尔茨海默病三类分类中的准确性。
GenAgent: Scaling Text-to-Image Generation via Agentic Multimodal Reasoning
GenAgent：通过代理多模态推理扩展文本到图像生成
机构 * Fudan University（复旦大学） ； Tongyi Lab（通义实验室） ； Nanjing University（南京大学） ； University of Science and Technology of China（中国科学技术大学）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 GenAgent通过代理多模态推理提升文本到图像生成性能，采用两阶段训练策略实现自主多轮交互与任务自适应推理。
HARMONI: Multimodal Personalization of Multi-User Human-Robot Interactions with LLMs
HARMONI: 基于大语言模型的多用户人机交互多模态个性化
机构 * Institut Curie, Université Paris-Saclay（巴黎-萨克勒大学Curie研究所） ； Institute of Intelligent Systems and Robotics (ISIR), Sorbonne University（索邦大学智能系统与机器人研究所） ； Assistance Publique – Hôpitaux de Paris (AP-HP), Université Paris Cité（巴黎公共医院（AP-HP）与巴黎城市大学）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.AI
AI总结 HARMONI通过多模态个性化框架，利用大语言模型提升多用户人机交互的持续个性化和动态适应能力。
Visual Generation Unlocks Human-Like Reasoning through Multimodal World Models
视觉生成通过多模态世界模型解锁类人推理
机构 * Tsinghua University（清华大学）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.AI
AI总结 本文提出视觉生成在特定任务中优于纯语言推理，通过构建VisWorld-Eval评估套件验证了多模态世界模型提升类人推理的能力。
Comments Project page: https://thuml.github.io/Reasoning-Visual-World
Skywork UniPic 2.0: Building Kontext Model with Online RL for Unified Multimodal Model
Skywork UniPic 2.0: 通过在线强化学习构建 Kontext 模型以实现统一多模态模型
机构 * Skywork Multimodality Team（Skywork多模态团队）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV
AI总结 Skywork UniPic 2.0 通过在线强化学习构建 Kontext 模型，实现统一多模态模型，提升图像生成与编辑能力。
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
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
Multi-modal MRI-Based Alzheimer's Disease Diagnosis with Transformer-based Image Synthesis and Transfer Learning
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
