处理缺失模态的模态不变多模态学习：单分支方法

提出了两种信息理论的度量方法，用于量化多模态学习中的异构性。

高模态模型HighMMT的性能优于以前的方法，并表现出重要的缩放行为。

使用不变特征的缺失模态想象网络改善了缺失模态预测的鲁棒性。

提出的多模态学习框架使用prompt learning，解决模态缺失和模型训练资源的挑战。

基于特征投影模块的解决方案实现对看不见模态的泛化，使用伪监督指示模态预测可靠性。

通过引导网络促进知识共享，训练更好的单模式模型以解决缺失模式的问题。

一阶段模态蒸馏框架通过多任务学习统一优化过程，捕捉有价值表征。

提出的多模态继承框架在RGB-D分类和分割任务上实现了最先进的性能。

Uni-Modal Ensemble with Missing Modality Adaptation技术增强了噪声鲁棒性，适用于广泛模态。

提出的诊断与再学习的方法有效平衡和增强多模态学习。

综合利用预训练模型和自监督联合嵌入学习的方法解决缺失模态问题，展示了有效性和鲁棒性。