对比学习

该文把瓶颈适配器装进冻结解码器每一层并用输入成分做二进制门控，使旧模态走原计算图实现逐位不变，同时用对照实验显示音频检索提升与热成像包的可组合性，代价是新增模态的文本混排输入属于新行为且双门同开不在保证内。

论文把文本图像视频音频放进同一个共享主干做任意到任意检索，用四阶段对比训练与同源采样和蒸馏优化，在 MMEB-v3 等基准上取得领先，但多条件文本与记忆检索仍有短板且低维压缩在细粒度任务上损失更大。

该文用 120 文本×24 声音画像×10 风格的合成正交网格审计 10 个开源音频编码器与 2 个闭源语音问答系统，以主夹角泄漏解释探针差距并用正交残差对比适配器降低泄漏与差距，代价是需要合成感知属性假设与额外适配训练。

针对音节级声调标注缺数据、句子级数据切分噪声大的问题，ToneCL 用保持声调的增强做对比预训练再用每调 1 到 10 个样本微调，在六说话人普通话 10-shot 达到 91.6%，跨语言预训练仍达 91.0%，代价是自然连续语音与声门特征仍未解决。

该文针对采样识别中人工合成对难以模仿真实制作变换的问题，提出在真实采样对上全监督训练的 SIE 模型与训练配方，并在三个基准上报告优于前最优的结果，同时用对照实验说明数据替换与架构配方各自的贡献与代价。

该研究在相同骨干与训练流程下比较按病因拆分与混合病因的严重度分类，报告脑瘫、帕金森、肌萎缩侧索硬化三个方向上按病因模型全面领先混合基线，代价是需要病因路由、单次训练与以英语为主的评测局限。

该文把合成语音归属从闭集分类改写为音频对自然语言描述的跨模态检索，用冻结双编码器加小投影头在 MLAAD v9 上实现未见模型 58.4% 模型级 MRR，代价是闭集精度低于专用分类器且通用架构易混淆。

针对标注少且跨天跨点易失效的动物声音时频框检测，MAST 用域内掩码预训练加适配检测器再加两阶段自训练，在雨林和鸟类两域的分布外评测上提升 F1 与 mAP，代价是第二轮后域内精度波动与更大计算量。

针对前景与背景共现偏移导致的小样本音频分类失效，SampleSelect 在冻结编码器下为每个样本学习固定预算的特征掩码，在 SpurAudio 四个设置中取得相比方法的最高 OOD 准确率，并以 4.90-8.38 个百分点的提升超过匹配的 FullRep 对照，但选择预算与对比权重仍需按源域设定且诊断分析只建立关联而非因果。

共收录 60 篇 icmc-2026 会议论文的 Reader 深度解读

该文在 FME-24 上比较手工特征 k-Means 与 VaDE 加对比学习的情感检索，前者聚类更紧致而后者支持按坐标连续取歌，但两类结果都受样本少与情感区间压缩的限制。

该文把 TTS 来源追溯写成先判断是否见过再归属到具体系统的两阶段问题，用 Wav2Vec2-BERT 嵌入加 Proxy-Anchor 学习结构化嵌入空间，在 MLAAD v9 合并架构类上报告 99.76% 闭集准确率与 2.04% 的 FPR@95，代价是依赖手动合并架构与保留校准集调阈值。

针对单模态噪声与跨模态语义鸿沟，BYOAVP 以自监督音频增强对齐视觉语义、以动量原型约束做像素级分类，在 AVSBench 与 VPO 六个子任务上取得最优，同时需承担双分支注意力与原型维护的额外开销。

针对卒中后失语命名中发音变异和多重尝试导致转写不可靠的问题，论文把判断改成音频与提示文本在共享空间的配对，用两组法语命名数据在留一说话人评估下报告最高 0.90 准确率，代价是仍需在失语数据上微调且重度损伤集上降到 0.85。

该研究比较声学氛围驱动与歌词语义驱动的背景视频选择，提出在约 14000 个音乐视频上对比学习音乐视频联合嵌入并用束搜索做全局非重叠选段，最强证据是主观评价中声学方法在整体不自然感和转场连续性上显著优于歌词方法，代价是剪辑节奏与歌词具体指涉仍存在错位。

针对说话人视频中情绪编辑受限于离散标签和参考图像的问题，C-MET 用语音与表情空间的情绪语义向量差做跨模态回归，在 MEAD 上把情绪准确率做到最高，同时保留唇动与身份，且能处理训练未见的扩展情绪。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

针对单嵌入把声源与空间混在一起的问题，DISSE 在同一主干上接声源头与空间头并用弱配对监督对比学习，在保持在任务检索的同时把偏离任务检索压到接近零，但代价是依赖合成房间脉冲与因子标签且只冻结编码器训练投影头。

该研究用受控仿真对比卷积噪声与加性噪声对房间脉冲响应表征的影响，显示在能量交点附近截断卷积噪声并在增强时加入加性噪声能改善潜空间可分性与混响时间估计，而把过长噪声尾保留进训练会损害向真实混响语音的泛化。

针对文本、视觉、音频三模态组合查询检索问题，OmniRet 用共享媒体重采样器压缩长媒体 token 序列提高效率、用注意力切片 Wasserstein 池化保留细粒度分布信息，在约 600 万对 30 个数据集训练下组合检索和音视频任务提升明显，而单向量压缩与有限主干仍是主要代价与边界。