会议任务专题

ICLR 2026 - 多模态模型

共 5 篇 ICLR 2026 多模态模型 方向论文

 · 更新于 2026-09-25 · 约 17 分钟 · 8356 字 阅读 →
论文解读

Instilling an Active Mind in Avatars via Cognitive Simulation

音视频 | 7.0/10

 · 更新于 2026-09-25 · 约 9 分钟 · 4426 字 阅读 →
论文解读

JavisDiT++: Unified Modeling and Optimization for Joint Audio-Video Generation

音视频 | 9.0/10

 · 更新于 2026-09-25 · 约 10 分钟 · 4810 字 阅读 →
论文解读

JointAVBench: A Benchmark for Joint Audio-Visual Reasoning Evaluation

音视频联合推理 | 7.0/10

 · 更新于 2026-09-25 · 约 9 分钟 · 4251 字 阅读 →
论文解读

LadderSym: A Multimodal Interleaved Transformer for Music Practice Error Detection

音乐理解 | 8.0/10

 · 更新于 2026-09-25 · 约 12 分钟 · 5557 字 阅读 →
论文解读

LayerSync: Self-aligning Intermediate Layers

音频生成 | 7.5/10

 · 更新于 2026-09-25 · 约 9 分钟 · 4057 字 阅读 →
论文解读

Learning multimodal dictionary decompositions with group-sparse autoencoders

跨模态检索 | 7.5/10

 · 更新于 2026-09-25 · 约 8 分钟 · 3971 字 阅读 →
论文解读

LLM2Fx-Tools: Tool Calling for Music Post-Production

音乐信息检索 | 7.0/10

 · 更新于 2026-09-25 · 约 10 分钟 · 4633 字 阅读 →
论文解读

MARS-Sep: Multimodal-Aligned Reinforced Sound Separation

语音分离 | 7.5/10

 · 更新于 2026-09-25 · 约 25 分钟 · 12209 字 阅读 →
论文解读

MCIF: Multimodal Crosslingual Instruction-Following Benchmark from Scientific Talks

基准测试 | 8.5/10

 · 更新于 2026-09-25 · 约 9 分钟 · 4323 字 阅读 →
论文解读

MIAM: Modality Imbalance-Aware Masking for Multimodal Ecological Applications

生态计算 | 8.5/10

 · 更新于 2026-09-25 · 约 12 分钟 · 5623 字 阅读 →
论文解读

MindMix: A Multimodal Foundation Model for Auditory Perception Decoding via Deep Neural-Acoustic Alignment

音频分类 | 9.0/10

 · 更新于 2026-09-25 · 约 19 分钟 · 9208 字 阅读 →
论文解读

MMAudio-LABEL: Audio Event Labeling via Audio Generation for Silent Video

音频生成 | 7.5/10

 · 更新于 2026-09-25 · 约 12 分钟 · 5854 字 阅读 →
论文解读

NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching

多模态模型 | 8.0/10

 · 更新于 2026-09-25 · 约 11 分钟 · 5387 字 阅读 →
论文解读

Omni-Captioner: Data Pipeline, Models, and Benchmark for Omni Detailed Perception

音频场景理解 | 7.5/10

 · 更新于 2026-09-25 · 约 9 分钟 · 4373 字 阅读 →
论文解读

Omni-Reward: Towards Generalist Omni-Modal Reward Modeling with Free-Form Preferences

基准测试 数据集 | 8.0/10

 · 更新于 2026-09-25 · 约 10 分钟 · 4749 字 阅读 →
论文解读

OmniCVR: A Benchmark for Omni-Composed Video Retrieval with Vision, Audio, and Text

音频检索 | 7.0/10

 · 更新于 2026-09-25 · 约 11 分钟 · 5371 字 阅读 →
论文解读

OmniVideoBench: Towards Audio-Visual Understanding Evaluation for Omni MLLMs

基准测试 | 8.5/10

 · 更新于 2026-09-25 · 约 9 分钟 · 4370 字 阅读 →
论文解读

OmniVinci: Enhancing Architecture and Data for Omni-Modal Understanding LLM

多模态模型 | 7.5/10

 · 更新于 2026-09-25 · 约 11 分钟 · 5484 字 阅读 →
论文解读

OptMerge: Unifying Multimodal LLM Capabilities and Modalities via Model Merging

模型比较 | 7.0/10

 · 更新于 2026-09-25 · 约 9 分钟 · 4240 字 阅读 →