本文提出了一种低秩自适应专家组合（MoE-LoRA）方法，旨在提升Segment Anything模型在多模态语义分割中的应用。通过训练MoE-LoRA层并保持SAM权重不变，该方法在多个基准测试中超越现有技术，尤其在缺失模态情况下表现显著提升。

本研究提出了一种新型单模态并行处理网络框架，旨在解决多模态MRI在自动分割脑肿瘤亚区时的缺失模态问题。研究表明，该框架在处理缺失模态方面优于现有技术。

本研究提出了一种综合流程，用于处理睡眠呼吸暂停检测中的缺失或嘈杂模态。该模型在不同数据子集和噪声水平下表现优异，尤其在高噪声或缺失情况下，AUROC超过0.9。

本研究通过提示学习解决多模态模型在缺失模态时的性能下降问题。将缺失模态视为不同输入类型，利用提示优化设计。实验表明，该方法在多种缺失模态情况下表现优异。

本文提出了一种解决多模态学习中缺失模态问题的新框架，通过利用可用模态的信息，在表示空间中预测缺失模态的嵌入。在多个多模态基准数据集上评估方法，展示了它在各种缺失模态的情景中的有效性和鲁棒性。

研究人员提出了一种名为“视觉提示灵活多模态人脸反欺诈”的方法，通过学习与模态相关的提示来提高人脸反欺诈系统的性能。实验证明该方法在各种缺失模态情况下表现出色，同时减轻了对重训练的要求。