Tag · 3 篇

跨模态对比学习

分布 3D 视觉与重建1视觉语言模型1鲁棒性与安全1

RI-Mamba: Rotation-Invariant Mamba for Robust Text-to-Shape Retrieval

把旋转不变性直接做进 Mamba 状态空间模型的词元序列构造里（全局/局部参考系解耦位姿与几何 + Hilbert 排序），并用特征级线性调制回注朝向嵌入，这套线性时间、对任意朝向鲁棒的 3D 表征可直接迁移到点云分类、分割、配准等下游任务。

Mario: Multimodal Graph Reasoning with Large Language Models

把图拓扑作为结构先验注入视觉-语言特征对齐，并用可学习路由器为每个节点挑选最有信息量的模态配置，这一「图条件化 VLM + 模态自适应路由」思路可迁移到视觉场景图、多模态知识图谱以及图文检索中的结构化对齐问题。

Cross-modal Representation Learning for Diffusion-generated Image Detection

提出跨模态对比学习与互蒸馏，将RGB与邻域像素关系模态的特征对齐，学习伪造感知嵌入空间，可直接用于提升扩散生成图像检测的泛化性。