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。

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。