看了最近的顶会，感觉多模态方向真正能中的工作，要么在核心方法上有新思路，要么在模型架构上找到了更高效的范式，要么戳了某个真实应用场景的痛点...但问题来了，方向太多论文太密，如何快速理清脉络、找到那个属于自己的切入点？
为了帮大家解决这个问题，我把手头的资料系统整理了一遍。目前更新到：160篇顶会相关论文，包含CVPR/ICLR/ICML等七大会议；330篇按四大路径分类的论文——核心技术、架构训练、应用领域、场景挑战，每大类下面另做了细分拆解，方便大家直接定位到自己关心的方向。
除此之外，我还整理了多模态开源数据集+代码库，拿来即用，免去了各位找资源调代码的痛苦，效率起飞！
以上全部资料可无偿获取，如果感兴趣建议直接存一份~
扫码添加小享，回复“多模态合集”
免费获取全部论文+开源代码
以下为部分论文简析：
【CVPR 2026】CaReFlow: Cyclic Adaptive Rectified Flow for Multimodal Fusion
研究方法：论文面向多模态情感计算，提出循环自适应校正流 CaReFlow，依托校正流实现多模态间一对多分布映射，搭配自适应松弛对齐解决一对多映射方向模糊问题，并通过循环校正流保留模态特有信息，以此缩小模态差异、提升多模态融合效果。
创新点：
首次将模态差异问题转化为分布映射任务，把校正流用于多模态对齐，用一对多映射让源模态数据感知目标模态全局分布，缓解配对数据不足问题。
设计自适应松弛对齐机制，对同一样本的模态对严格校正，对不同样本 / 类别的模态对放松约束，解决一对多映射的方向模糊问题，无需迭代训练即可实现精准对齐。
引入循环校正流构建循环一致性约束，确保转换后的特征能还原为原始特征，避免模态特有信息丢失，提升多模态表示的判别性。
研究价值：论文首次将校正流用于多模态情感计算的模态鸿沟消除，提出CaReFlow框架，通过一对多映射、自适应松弛对齐与循环一致性约束，实现高效、精准且信息无损的模态分布对齐，用简单融合方式即可在多任务上达到 SOTA，为跨模态融合提供轻量化、高鲁棒的新范式。
扫码添加小享，回复“多模态合集”
免费获取全部论文+开源代码
【ICML 2026】DCER: Robust Multimodal Fusion via Dual-Stage Compression and Energy-Based Reconstruction
研究方法：论文提出DCER多模态融合方法，先对音频做小波变换、视频做二维 DCT 实现单模态频域降噪压缩，再通过可学习查询 token 构建跨模态瓶颈强制多模态深度整合，最后用基于能量函数的梯度下降重建缺失模态并实现不确定性量化。
创新点：
提出双阶段压缩机制，先通过小波变换、二维DCT对音频与视频进行单模态频域压缩去噪，再用可学习查询token构建跨模态容量瓶颈，避免模态特异性捷径学习。
设计基于能量函数的重建方法，通过梯度下降迭代恢复缺失模态特征，能量值可直接作为内在不确定性指标，与预测误差呈高相关。
在多模态情感分析主流数据集上取得SOTA效果，展现完整模态与高缺失率下的U型鲁棒特性，且不依赖零掩码捷径，真实提升模型抗噪与泛化能力。
研究价值：论文提出的 DCER 框架通过双阶段压缩与能量重建，有效解决了多模态融合中输入噪声、模态缺失两大核心难题，同时实现了内在不确定性量化，在多模态情感分析数据集上达到 SOTA，大幅提升了真实场景下多模态模型的鲁棒性与可靠性，为实用化多模态系统提供了可落地的新思路。
扫码添加小享，回复“多模态合集”
免费获取全部论文+开源代码
