低质量数据上的多模态融合：综合综述

多模态融合旨在整合来自多个模态的信息，以实现更准确的预测，在包括自动驾驶和医疗诊断在内的诸多场景中取得了显著进展。然而，在低质量数据环境下，多模态融合的可靠性仍然鲜有探讨。本文综述了野外多模态融合的常见挑战和最新进展，并以全面分类方式呈现。从数据导向视角，我们识别出低质量数据下的多模态融合面临的四个主要挑战，即(1)受异构噪声污染的噪声多模态数据，(2)某些模态缺失的不完整多模态数据，(3)不同模态质量或属性差异显著的不平衡多模态数据，以及(4)随样本不同而变化的质量可变多模态数据。这种新分类将帮助研究者理解该领域的现状并识别若干潜在方向。我们还讨论了该领域的开放问题及其有趣的未来研究方向。