本文提出了AffectEval框架，旨在解决情感计算领域情感识别应用开发中的劳动密集型问题。该框架的模块化和可定制特性可减少多达90%的编程工作量。

本研究提出了PsyCounAssist，一个AI驱动的心理咨询助手系统，旨在解决心理咨询中的个性化和动态性不足问题。该系统结合多模态情感识别和大型语言模型，实现实时情感分析和自动化会议报告，从而提高咨询实践的可靠性和灵活性。

本研究提出了一种新模型LSGMER，解决了多模态情感识别中情感标签信息被忽视的问题，显著提高了分类的准确性和稳定性。实验结果表明，该模型在IEMOCAP和MELD数据集上表现优异。

该研究提出了一种名为SUMMER的新框架，旨在解决多模态情感识别中的模态异质性和指导性不足的问题。通过稀疏动态专家模型和层次交叉模态融合，该方法显著提升了情感识别能力，尤其在识别少数类和语义相似情感方面表现优于现有技术。

本研究比较了视频序列中微笑真实性评估的手工特征与深度学习特征的优缺点。结合长短期记忆网络和面部动作单元动态特征，实验结果表明该方法在实时评估中优于基线技术，对情感识别领域具有重要意义。

阿里开源的R1-Omni模型首次结合了RLVR与全模态情感识别，显著提升了推理、理解和泛化能力，在情感识别任务中表现优异，受到网友关注，预示着下一代AI的发展方向。

本研究提出了一种异构双模态注意力融合框架（HBAF），旨在解决多模态情感识别中的模态差距问题。通过引入上下文信息和动态双模态注意力，HBAF提高了音频与文本的融合效率和交互能力。实验结果表明，该方法在MELD和IEMOCAP数据集上优于现有基线。

本研究推出了BRIGHTER数据集，涵盖28种低资源语言，主要来自非洲、亚洲、东欧和拉丁美洲，为情感识别研究提供了新支持。

本研究提出了一种新方法DeepMSI-MER，通过对比学习和视觉序列压缩，解决多模态情感识别中的数据融合和模态相关性问题。实验结果表明，该方法在IEMOCAP和MELD数据集上显著提高了情感识别的准确性和鲁棒性。

本研究提出了一个法语多模态数据集，结合面部表情、语音和手势，为情感识别提供全面视角，推动情感计算的发展。

本研究提出JELLY框架，解决对话语音合成中的上下文和情感识别问题。通过微调大型语言模型，JELLY能够自然生成符合对话情感的语音，实验结果表明其在情感上下文建模方面表现优异。