← AAAI 各届
AAAI 2026· AAAI Conference on Artificial Intelligence
AAAI 2026
亮点精读
8 篇 · 获奖 / oral / 高引📈 52 引用
Seeing from Another Perspective: Evaluating Multi-View Understanding in MLLMs
提出多视角理解基准，评估多模态大模型从不同视角识别物体的能力。
💡 揭示MLLMs在视角推理上的关键缺陷。
📈 48 引用
ReTrack: Evidence-Driven Dual-Stream Directional Anchor Calibration Network for Composed Video Retrieval
提出ReTrack，利用证据驱动的双流方向锚定校准网络，实现组合视频检索。
💡 首次将证据驱动与方向锚定结合，显著提升检索精度。
arXiv
📈 29 引用
INTENT: Invariance and Discrimination-aware Noise Mitigation for Robust Composed Image Retrieval
提出INTENT方法，通过不变性和判别性噪声缓解提升组合图像检索鲁棒性。
💡 首次系统处理组合检索中的噪声问题，显著提升鲁棒性。
arXiv
📈 28 引用
HABIT: Chrono-Synergia Robust Progressive Learning Framework for Composed Image Retrieval
提出HABIT框架，通过渐进式学习和时序协同增强组合图像检索的鲁棒性。
💡 首次解决组合检索中的时序鲁棒性问题。
arXiv
📈 22 引用
Disentangling Adversarial Prompts: A Semantic-Graph Defense for Robust LLM Security
提出语义图方法，通过解构对抗提示来防御LLM攻击。
💡 首次从语义结构层面防御，提升鲁棒性。
arXiv
📈 21 引用
Unveiling the Fragility of Vision-Language Models: Multi-Modal Adversarial Synergy via Texture-Constrained Perturbations and Cross-Modal Optimization
通过纹理约束扰动和跨模态优化，揭示视觉语言模型在多模态对抗攻击下的脆弱性。
💡 揭示多模态协同攻击新范式，推动鲁棒性研究。
arXiv
📈 19 引用
Mass Concept Erasure in Diffusion Models with Concept Hierarchy
提出概念层次结构，实现扩散模型中的大规模概念擦除。
💡 首次解决多概念擦除的冲突与泛化问题。
arXiv
📈 18 引用
Advancing Out-of-Distribution Detection Across Diverse Scenarios
提出统一框架，提升多种场景下分布外检测的鲁棒性与泛化能力。
💡 解决实际部署中数据分布变化的关键问题。
全部论文
加载中…正在从 DBLP 加载全量论文…
全量索引来自 DBLP · 完整 proceedings 见 官方站点