在实际场景中，音频和视频信号常常受到环境噪声和有限采集条件的影响，导致提取的特征中包含过多噪声。此外，不同模态之间的数据质量和信息承载能力存在不平衡。这两个问题共同导致信息失真和权重偏差，损害整体识别性能。现有大多数方法忽视了噪声模态的影响，依赖隐式加权来建模模态的重要性，未能明确考虑文本模态在情感理解中的主导贡献。为了解决这些问题，提出了一种关系感知的去噪和扩散注意力融合方法，旨在提高多模态对话...