共享语义条件下面向模态缺失的多模态情感分析模型

doi:10.11772/j.issn.1001-9081.2025080959

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (9): 2761-2768.DOI: 10.11772/j.issn.1001-9081.2025080959

• 人工智能 • 上一篇

共享语义条件下面向模态缺失的多模态情感分析模型

刘赏(), 汤兆森, 刘鸿月, 董林芳, 周金

天津财经大学理工学院，天津 300222

收稿日期:2025-08-22 修回日期:2025-10-03 接受日期:2025-10-14 发布日期:2026-09-16 出版日期:2026-09-10
通讯作者: 刘赏
作者简介:刘赏（1977—），女，河北辛集人，教授，博士，主要研究方向：模式识别、数字图像处理
汤兆森（2002—），男，河南濮阳人，硕士研究生，主要研究方向：模式识别、多模态感知
刘鸿月（2001—），女，贵州贵阳人，硕士研究生，主要研究方向：图像处理、姿态估计
董林芳（1972—），女，河北张家口人，副教授，博士，主要研究方向：人工智能、自然语言处理
周金（1981—），女，天津人，副教授，博士，主要研究方向：基于深度学习的调制识别及频谱感知。
基金资助:
天津市自然科学基金资助项目(22JCYBJC01550);天津市艺术科学规划项目(C22030)

Multimodal sentiment analysis model for missing modalities under shared semantic conditions

Shang LIU(), Zhaosen TANG, Hongyue LIU, Linfang DONG, Jin ZHOU

School of Science and Technology，Tianjin University of Finance and Economics，Tianjin 300222，China

Received:2025-08-22 Revised:2025-10-03 Accepted:2025-10-14 Online:2026-09-16 Published:2026-09-10
Contact: Shang LIU
About author:LIU Shang，born in 1977， Ph. D.， professor. Her research interestsinclude pattern recognition， digital image processing.
TANG Zhaosen， born in 2002， M. S. candidate. His researchinterests include pattern recognition， multimodal perception.
LIU Hongyue， born in 2001， M. S. candidate. Her researchinterests include image processing， pose estimation.
DONG Linfang， born in 1972， Ph. D.， associate professor. Herresearch interests include artificial intelligence， natural language processing.
ZHOU Jin， born in 1981， Ph. D.， associate professor. Her researchinterests include modulation recognition and spectrum sensing based ondeep learning.

摘要/Abstract

摘要：

现有研究在进行模态缺失场景下的多模态情感分析时，在缺失模态生成过程中常忽略模态间的相关性，导致恢复数据与原始数据的语义不一致，同时基于扩散模型的缺失模态生成会带来较大的计算开销。针对以上问题，提出一种共享语义条件下面向模态缺失的多模态情感分析模型（MM-SSC）。首先，设计共享潜空间映射模块，利用矢量量化变分自编码器（VQ-VAE）的共享潜空间有效捕捉多模态分布，确保模态间共享语义；其次，给出跨模态一致性约束方法，以学习每种模态潜空间内的互信息，促进模态间语义信息的完善，增强跨模态一致性；再次，设计缺失模态重建与对齐模块，以重建与细化缺失模态，同时降低重建计算开销；最后，引入多模态融合与预测模块，融合重建模态与可用模态，用于一致性的情感分析。实验结果显示，在固定模态缺失的情况下，相较于不完全多模态扩散情感识别（IMDer）模型，所提模型在CMU-MOSI数据集上的F1得分和七分类准确率（ACC7）指标分别平均提升了0.4与0.7个百分点，在CMU-MOSEI数据集上的F1得分和ACC7分别平均提升了0.9与0.3个百分点；在随机模态缺失的情况下，相比IMDer模型，所提模型在CMU-MOSI数据集上的F1得分和ACC7都平均提升了2.2个百分点，在CMU-MOSEI数据集上的F1得分和ACC7分别平均提升了0.8与0.4个百分点。MM-SSC能有效应对模态缺失场景下的多模态情感分析任务。

关键词: 多模态情感分析, 模态缺失, 深度学习, 矢量量化变分自编码器, 扩散模型

Abstract:

Existing studies on multimodal sentiment analysis in modality missing scenarios often neglect inter-modal correlations when generating missing modalities， leading to semantic inconsistencies between restored and original data. Additionally， missing modality generation based on diffusion models brings large computational overhead. To address these issues， a Multimodal Sentiment Analysis Model for Missing Modalities under Shared Semantic Conditions （MM-SSC） was proposed. First， a shared latent space mapping module was designed to use the shared latent space of Vector Quantized Variational AutoEncoder （VQ-VAE） to capture multimodal distributions effectively， thereby ensuring cross-modal shared semantics. Second， a cross-modal consistency constraint method was proposed to learn mutual information within each modality's latent space， thereby promoting the refinement of semantic information between modalities and enhancing cross-modal consistency. Third， a missing modality reconstruction and alignment module was designed to reconstruct and refine missing modalities while reducing reconstruction computational overhead. Finally， a multimodal fusion and prediction module was introduced to fuse reconstructed and available modalities for consistent sentiment analysis. Experimental results demonstrate that under fixed modality missing conditions， compared with Incomplete Multimodality-Diffused emotion recognition （IMDer） model， the proposed model achieves average improvements of 0.4 and 0.7 percentage points in the F1 score and ACC7 on the CMU-MOSI dataset， respectively； on the CMU-MOSEI dataset， the F1 score and ACC7 are improved by 0.9 and 0.3 percentage points， respectively. Under random modality missing conditions， compared with IMDer model， the proposed model achieves an average improvement of 2.2 percentage points in both F1 score and ACC7 on the CMU-MOSI dataset； on the CMU-MOSEI dataset， the F1 score and ACC7 （accuracy for seven classes） are improved by 0.8 and 0.4 percentage points， respectively. It can be seen that MM-SSC can address multimodal sentiment analysis tasks under modality missing scenarios effectively.

Key words: multimodal sentiment analysis, missing modality, deep learning, Vector Quantized Variational AutoEncoder (VQ-VAE), diffusion model

中图分类号:

TP391.4

刘赏, 汤兆森, 刘鸿月, 董林芳, 周金. 共享语义条件下面向模态缺失的多模态情感分析模型[J]. 计算机应用, 2026, 46(9): 2761-2768.

Shang LIU, Zhaosen TANG, Hongyue LIU, Linfang DONG, Jin ZHOU. Multimodal sentiment analysis model for missing modalities under shared semantic conditions[J]. Journal of Computer Applications, 2026, 46(9): 2761-2768.

图/表 9

图1 MM-SSC框架

Fig. 1 Framework of MM-SSC

表1 CMU-MOSI数据集上固定模态缺失下的实验结果 (%)

Tab. 1 Experimental results on CMU-MOSI dataset with fixed modality missing

模态组合	DCCAE		MCTN		MMIN		GCNet		IMDer		MM-SSC
模态组合	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7
平均	64.8	24.4	69.9	31.3	71.4	31.6	72.8	32.1	75.3	35.5	75.7	36.2
${l}$	76.5	28.3	79.2	41.0	83.8	41.6	83.6	42.3	84.7	44.8	85.7	46.9
${v}$	51.1	17.1	54.4	16.5	54.0	15.5	55.7	16.9	60.8	22.2	61.1	22.5
${a}$	42.1	16.9	54.5	16.5	51.5	15.5	54.5	16.6	62.2	22.0	62.3	22.5
${l, v}$	76.8	30.0	81.2	42.1	83.9	42.0	84.2	43.4	85.4	45.3	85.8	47.7
${l, a}$	77.0	30.2	81.0	43.2	84.0	42.3	84.4	43.4	85.3	45.0	85.7	47.1
${v, a}$	52.5	17.4	57.4	16.8	58.5	19.5	61.9	17.2	63.4	23.8	63.3	18.5
${l, v, a}$	77.4	31.2	81.5	43.4	84.4	44.8	85.1	44.9	85.6	45.3	86.1	48.1

表1 CMU-MOSI数据集上固定模态缺失下的实验结果 (%)

Tab. 1 Experimental results on CMU-MOSI dataset with fixed modality missing

模态组合	DCCAE		MCTN		MMIN		GCNet		IMDer		MM-SSC
模态组合	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7
平均	64.8	24.4	69.9	31.3	71.4	31.6	72.8	32.1	75.3	35.5	75.7	36.2
${l}$	76.5	28.3	79.2	41.0	83.8	41.6	83.6	42.3	84.7	44.8	85.7	46.9
${v}$	51.1	17.1	54.4	16.5	54.0	15.5	55.7	16.9	60.8	22.2	61.1	22.5
${a}$	42.1	16.9	54.5	16.5	51.5	15.5	54.5	16.6	62.2	22.0	62.3	22.5
${l, v}$	76.8	30.0	81.2	42.1	83.9	42.0	84.2	43.4	85.4	45.3	85.8	47.7
${l, a}$	77.0	30.2	81.0	43.2	84.0	42.3	84.4	43.4	85.3	45.0	85.7	47.1
${v, a}$	52.5	17.4	57.4	16.8	58.5	19.5	61.9	17.2	63.4	23.8	63.3	18.5
${l, v, a}$	77.4	31.2	81.5	43.4	84.4	44.8	85.1	44.9	85.6	45.3	86.1	48.1

表2 CMU-MOSEI数据集上固定模态缺失下的实验结果 (%)

Tab. 2 Experimental results on CMU-MOSEI dataset with fixed modality missing

模态组合	DCCAE		MCTN		MMIN		GCNet		IMDer		MM-SSC
模态组合	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7
平均	70.2	44.6	72.5	46.8	73.5	47.1	73.7	47.1	75.3	48.5	76.2	48.8
${l}$	79.5	47.0	82.8	50.2	82.4	51.4	83.2	51.2	84.5	52.5	85.4	53.5
${v}$	57.2	40.1	57.1	41.6	60.0	40.7	61.6	41.7	63.6	42.6	64.2	42.1
${a}$	53.8	40.9	54.5	41.4	59.5	40.4	60.3	41.1	60.6	41.7	62.2	41.7
${l, v}$	80.4	47.1	83.2	50.4	83.4	51.2	84.4	51.1	85.0	53.1	85.8	53.8
${l, a}$	80.0	47.4	83.3	50.7	83.3	52.0	84.4	51.3	85.1	53.1	85.5	53.7
${v, a}$	59.2	41.6	62.7	42.1	61.9	41.8	57.2	42.0	63.5	42.8	64.6	42.7
${l, v, a}$	81.2	48.2	84.2	51.2	84.2	52.4	85.1	51.5	85.1	53.4	86.0	53.8

表2 CMU-MOSEI数据集上固定模态缺失下的实验结果 (%)

Tab. 2 Experimental results on CMU-MOSEI dataset with fixed modality missing

模态组合	DCCAE		MCTN		MMIN		GCNet		IMDer		MM-SSC
模态组合	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7	F1	ACC7
平均	70.2	44.6	72.5	46.8	73.5	47.1	73.7	47.1	75.3	48.5	76.2	48.8
${l}$	79.5	47.0	82.8	50.2	82.4	51.4	83.2	51.2	84.5	52.5	85.4	53.5
${v}$	57.2	40.1	57.1	41.6	60.0	40.7	61.6	41.7	63.6	42.6	64.2	42.1
${a}$	53.8	40.9	54.5	41.4	59.5	40.4	60.3	41.1	60.6	41.7	62.2	41.7
${l, v}$	80.4	47.1	83.2	50.4	83.4	51.2	84.4	51.1	85.0	53.1	85.8	53.8
${l, a}$	80.0	47.4	83.3	50.7	83.3	52.0	84.4	51.3	85.1	53.1	85.5	53.7
${v, a}$	59.2	41.6	62.7	42.1	61.9	41.8	57.2	42.0	63.5	42.8	64.6	42.7
${l, v, a}$	81.2	48.2	84.2	51.2	84.2	52.4	85.1	51.5	85.1	53.4	86.0	53.8

表3 CMU-MOSI数据集上随机模态缺失下的实验结果

Tab. 3 Experimental results on CMU-MOSI dataset with random modality missing

缺失率	DCCAE		MCTN		MMIN		GCNet		IMDer		MM-SSC
缺失率	F1/%	ACC7/%	F1/%	ACC7/%	F1/%	ACC7/%	F1/%	ACC7/%	F1/%	ACC7/%	F1/%	ACC7/%
平均	66.3	25.2	70.1	34.8	73.1	35.8	75.1	36.7	79.3	40.5	81.5	42.7
0.0	77.4	31.2	81.5	43.4	84.4	44.8	85.1	44.9	85.6	45.3	86.1	48.1
0.1	74.7	28.1	78.5	39.8	81.8	41.2	82.3	42.1	84.8	44.8	85.7	47.5
0.2	71.9	27.6	75.7	38.5	79.1	38.9	79.5	40.0	83.4	44.3	84.1	46.4
0.3	66.7	25.8	71.2	35.5	76.2	36.9	77.2	38.2	81.0	42.5	83.0	46.1
0.4	62.8	24.2	67.6	32.9	71.6	34.9	74.4	36.6	78.5	39.7	80.1	41.0
0.5	61.3	23.0	64.8	31.2	66.5	32.2	69.8	39.9	75.9	37.9	79.5	39.8
0.6	58.5	20.9	62.5	29.7	64.0	29.1	66.7	29.8	74.0	35.8	77.6	38.0
0.7	57.4	20.6	59.0	27.5	61.0	28.4	65.4	28.1	71.2	33.4	75.5	34.6

表4 CMU-MOSEI数据集上随机模态缺失下的实验结果

Tab. 4 Experimental results on CMU-MOSEI dataset with random modality missing

缺失率	DCCAE		MCTN		MMIN		GCNet		IMDer		MM-SSC
缺失率	F1/%	ACC7/%	F1/%	ACC7/%	F1/%	ACC7/%	F1/%	ACC7/%	F1/%	ACC7/%	F1/%	ACC7/%
平均	71.2	45.0	76.1	46.9	75.4	48.2	76.8	48.3	79.8	50.6	80.6	51.0
0.0	81.2	48.2	84.2	51.2	84.2	52.4	85.1	51.5	85.1	53.4	86.0	53.8
0.1	78.3	46.9	81.6	49.8	81.3	50.6	82.1	51.2	84.6	53.1	85.6	53.5
0.2	75.4	46.3	78.7	48.6	78.8	49.6	79.9	50.2	82.4	52.0	83.5	52.4
0.3	72.2	45.6	76.2	47.4	75.5	48.1	76.8	49.2	80.7	51.3	81.1	51.8
0.4	70.0	44.0	74.1	45.6	72.6	47.5	74.9	48.0	78.1	50.0	80.4	50.4
0.5	66.4	43.3	72.6	45.1	70.7	46.7	73.2	46.7	77.4	49.2	78.1	50.0
0.6	63.2	42.9	71.1	43.8	70.3	45.6	72.1	45.1	75.5	48.5	77.0	47.5
0.7	62.6	42.5	70.5	43.6	69.5	44.8	70.4	44.5	74.6	47.6	73.0	48.3

表5 模型在CMU-MOSI数据集上的训练开销对比

Tab. 5 Training overhead comparison of models on CMU-MOSI dataset

模型	参数量/10⁶	GPU浮点数运算量/GFLOPs
IMDer	89.79	230.7
MM-SSC	88.46	137.9

表6 不同模型在CMU-MOSI数据集上的训练时间对比

Tab. 6 Training time comparison of different models on CMU-MOSI dataset

模型

不同缺失率下的训练时间/s

平均训练

时间/s

表7 CMU-MOSI和CMU-MOSEI数据集上的消融实验结果

Tab. 7 Ablation experimental results on CMU-MOSI and CMU-MOSEI datasets

CMC	SMR	CMU-MOSI		CMU-MOSEI
CMC	SMR	F1/%	MAE	F1/%	MAE
		79.8	0.862	78.7	0.625
√		81.2	0.828	79.5	0.605
	√	80.9	0.806	80.0	0.620
√	√	82.5	0.799	80.4	0.596

图2 在CMU-MOSI数据集上的可视化结果

Fig. 2 Visualization results on CMU-MOSI dataset

参考文献 23

[1]	夏鑫雨，朱磊，聂秀山，等. 典型概念驱动的模态缺失深度跨模态检索［J］. 计算机辅助设计与图形学学报， 2025， 37（3）： 519-532.
	Xia Xinyu， Zhu Lei， Nie Xiushan， et al. Typical concept-driven modality-missing deep cross-modal retrieval［J］. Journal of Computer-Aided Design and Computer Graphics， 2025， 37（3）： 519-532.
[2]	Ho J， Jain A， Abbeel P. Denoising diffusion probabilistic models［C］// NeurIPS 2020. Red Hook： Curran Associates Inc.， 2020： 6840-6851.
[3]	Van den Oord A， Vinyals O， Kavukcuoglu K. Neural discrete representation learning ［C］// NeurIPS 2017. Red Hook： Curran Associates Inc.， 2017： 6309-6318.
[4]	Zhao J， Li R， Jin Q. Missing modality imagination network for emotion recognition with uncertain missing modalities ［C］// ACL-IJCNLP 2021 （Volume 1： Long Papers）. Stroudsburg： ACL， 2021： 2608-2618.
[5]	Zuo H， Liu R， Zhao J， et al. Exploiting modality-invariant feature for robust multimodal emotion recognition with missing modalities［C］// ICASSP 2023. Piscataway： IEEE， 2023： 1-5.
[6]	Zeng J， Liu T， Zhou J. Tag-assisted multimodal sentiment analysis under uncertain missing modalities ［C］// SIGIR 2022. New York： ACM， 2022： 1545-1554.
[7]	Yuan Z， Li W， Xu H， et al. Transformer-based feature reconstruction network for robust multimodal sentiment analysis［C］// MM 2021. New York： ACM， 2021： 4400-4407.
[8]	Lian Z， Chen L， Sun L， et al. GCNet： graph completion network for incomplete multimodal learning in conversation ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（7）： 8419-8432.
[9]	Wang Y， Li Y， Cui Z. Incomplete multimodality-diffused emotion recognition ［C］// NeurIPS 2023. Red Hook： Curran Associates Inc.， 2023： 17117-17128.
[10]	Song Y， Sohl-Dickstein J， Kingma D P， et al. Score-based generative modeling through stochastic differential equations ［PP/OL］. V2. arXiv （2021-02-10）［2025-05-16］..
[11]	罗渊贻，吴锐，刘家锋，等. 面向情感语义不一致的多模态情感分析方法［J］. 计算机研究与发展， 2025， 62（2）： 374-382.
	Luo Yuanyi， Wu Rui， Liu Jiafeng， et al. Multimodal sentiment analysis method for sentimental semantic inconsistency ［J］. Journal of Computer Research and Development， 2025， 62（2）： 374-382.
[12]	Radhakrishnan A， Friedman S F， Khurshid S， et al. Cross-modal autoencoder framework learns holistic representations of cardiovascular state ［J］. Nature Communications， 2023， 14： No.2436.
[13]	Sadok S， Leglaive S， Girin L， et al. A multimodal dynamical variational autoencoder for audiovisual speech representation learning ［J］. Neural Networks， 2024， 172： No.106120.
[14]	Ashuach T， Gabitto M I， Koodli R V， et al. MultiVI： deep generative model for the integration of multimodal data ［J］. Nature Methods， 2023， 20（8）： 1222-1231.
[15]	Wu Y， Song T， Wu Z， et al. CodeBrain： imputing any brain MRI via instance-specific scalar-quantized codes ［PP/OL］. V2. arXiv （2025-03-09）［2025-05-23］..
[16]	Redekop E， Pleasure M， Wang Z， et al. Codebook VQ-VAE approach for prostate cancer diagnosis using multiparametric MRI［C］// CVPRW 2024. Piscataway： IEEE， 2024： 2365-2372.
[17]	Devlin J， Chang M W， Lee K， et al. BERT： pre-training of deep bidirectional Transformers for language understanding ［C］// NAACL-HLT 2019， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.
[18]	Stöckli S， Schulte-Mecklenbeck M， Borer S， et al. Facial expression analysis with AFFDEX and FACET： a validation study［J］. Behavior Research Methods， 2018， 50（4）： 1446-1460.
[19]	Degottex G， Kane J， Drugman T， et al. COVAREP： a collaborative voice analysis repository for speech technologies ［C］// ICASSP 2014. Piscataway： IEEE， 2014： 960-964.
[20]	Zadeh A， Zellers R， Pincus E， et al. Multimodal sentiment intensity analysis in videos： facial gestures and verbal messages［J］. IEEE Intelligent Systems， 2016， 31（6）： 82-88.
[21]	Bagher Zadeh A， Liang P P， Poria S， et al. Multimodal language analysis in the wild： CMU-MOSEI dataset and interpretable dynamic fusion graph ［C］// ACL （Volume 1： Long Papers）. Stroudsburg： ACL， 2018： 2236-2246.
[22]	Wang W， Arora R， Livescu K， et al. On deep multi-view representation learning ［J］. Proceedings of Machine Learning Research， 2015， 37： 1083-1092.
[23]	Pham H， Liang P P， Manzini T， et al. Found in translation： learning robust joint representations by cyclic translations between modalities ［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2019， 33（1）： 6892-6899.

共享语义条件下面向模态缺失的多模态情感分析模型

Multimodal sentiment analysis model for missing modalities under shared semantic conditions

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 23

相关文章 15

编辑推荐

Metrics

[1]	刘明, 沈东奇, 孟子洋. 双分支结构下多层次特征融合的点云配准网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2584-2593.
[2]	刘凤春, 邵馨莹, 张春英, 王立亚, 任静. 多尺度特征优化的单目深度估计框架FCMdepth[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2603-2611.
[3]	刘威, 李维刚, 田志强. 面向点云分类与分割的层次化旋转不变几何结构的表征学习方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2594-2602.
[4]	刘新亮, 徐雨时, 李杜白, 任延昭. 基于知识图谱的问答方法综述[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2394-2410.
[5]	郭晓金, 隋旭洋, 周柯男. 基于深度学习的STAR⁃RIS辅助混合场通信系统信道估计[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2548-2554.
[6]	刘晶, 赵邵泽, 刘鑫刚, 牛浩哲, 季海鹏. 跨工况下基于改进CGAN的钛合金显微组织数据生成方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2373-2382.
[7]	凌妙根, 井瑞, 方巍. 可解释性深度学习在热带气旋预报中的应用研究综述[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2318-2326.
[8]	杜秀丽, 高星, 张校毓, 潘成胜, 邹启杰. 基于密集时空可变形注意力的视频快照压缩成像重建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2288-2296.
[9]	武湘怡, 叶海良, 曹飞龙. 基于平滑-锐化图卷积的点云补全方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2267-2276.
[10]	邱晓红, 于子祥, 胡玉杰. 高频引导的扩散模型故障诊断样本增广方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2119-2129.
[11]	杜艺, 续明进, 孔佳仪, 王力瑶, 赵晨. 基于YOLOv11的低秩自适应参数高效微调算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1738-1745.
[12]	熊珍凯, 徐梦军, 孙胤胤, 王鑫. 基于改进YOLOv8的复杂天气环境下海面船舶检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1998-2006.
[13]	何运平, 王雷春, 宋芮芮, 卢祥凤, 魏金香, 刘小萌. 基于对比不变性和强化特定性的双通道多模态情感分析模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1767-1775.
[14]	姚力挽, 刘海龙, 曾张帆. 基于频域驱动及扩散融合的声纳图像增强算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1947-1955.
[15]	何丽丽, 曹勐, 张磊, 潘洪军, 刘义, 孙成心. 基于Kolmogorov-Arnold网络与扩散Transformer的手语生成模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1801-1810.