不堆 Transformer，斯坦福吴佳俊如何用物理重新定义多模态融合？｜ECCV 2026

📋总体概括

斯坦福吴佳俊团队在ECCV 2026提出新思路：不再依赖堆叠Transformer做暴力特征融合，而是从物理角度重新审视多模态学习——视觉、听觉、触觉本质上是同一组物理属性在不同感官通道的投影。文章以这一代表性工作为切入点，梳理了多模态融合从工程堆料转向以物理规律为先验的范式转变，探讨物理约束如何提升模型的泛化能力、数据效率与跨模态一致性。