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。

本文探讨了多模态学习中的缺失模态问题，提出了高模态模型HighMMT和模态蒸馏框架等新方法，以提高鲁棒性和性能。研究表明，这些方法在处理模态缺失时表现优异，能够在多个基准数据集上取得先进成果。

本文介绍了一种新方法“多模态联邦交叉原型学习（MFCPL）”，旨在解决多模态联邦学习中的缺失模态问题。通过交叉模态正则化和对比机制，MFCPL在特定模态特征上提升性能，尤其在缺失模态场景中表现优异。实验结果验证了其有效性，并强调了多模态学习在医疗领域的重要性及未来发展方向。

本文研究了缺失模态对自动音视频表情识别中 transformer 模型表现的影响。通过消融实验和知识传递网络，提升了模型的泛化性能和情感预测能力。实验结果表明，结合音频和文本信息的多模态模型在多个数据集上表现显著，尤其在 IEMOCAP 数据集上效果最佳。

本文综述多模态融合在医学与情感分析中的应用，涉及病理图像与基因表达、文本与视觉、语音与手势等模态，提出TTMFN、Tensor Fusion Network、HEALNet等框架，采用早期、特征级或决策级融合，以提升生存预测、疾病分类和情感检测性能，并关注缺失模态与多任务学习。

该文综述多模态学习研究，针对优化失衡、缺失模态和领域泛化问题，提出梯度调节、知识蒸馏、特征解缠等方法，以平衡模态贡献、提升鲁棒性与下游任务性能，并在情感识别、暴力检测、脑肿瘤分割等任务中验证有效。

该文综述多模态神经数据库与不完整多模态学习，涵盖多模态知识库嵌入、缺失值生成、基于Transformer与GAN的数据整合、图神经网络对话学习、多视角生成情感分析、UAMD-Net深度补全、知识共享单模态训练及MCN动作识别，旨在处理缺失模态并提升模型性能。