变色龙：一种在野外进行密集视觉预测的数据高效通用模型

提出了一种通用视觉模型，采用集成式训练方式，具备多任务处理能力和较强的泛化能力。

研究了视觉语言模型的适应方法，强调自标记的重要性，并提出任务适应流水线以提升视觉语言任务性能。

提出了一种参数高效的持续学习框架，动态扩展预训练的 CLIP 模型，减少了 60% 的参数训练负担。

介绍了一种元学习算法，通过推理过程学习新视觉概念，无需微调，表现优于许多最先进算法。

提出了一种少样本数据集泛化的方法，建立通用模板以提高参数效率和适应性，在 Meta-Dataset 基准测试中表现最佳。

提出了 Painter 模型，采用“图像为中心”的解决方案，提升了核心视觉任务的表现。

提出轻量级适配器方法，加快更新速度，并在小样本学习中实现优异结果。

BALLAD 利用对比学习结合视觉感知与语言理解，在长尾数据集上实现了更优异的视觉识别表现。

介绍了可扩展且可解释的模型 Pro-NeXt，展现了优秀的泛化性能和物体检测能力。