本文提出了一种以人为中心的多模态对比学习框架，旨在通过样本对比学习实现多视角数据的特征表示，以支持3D姿态估计任务的合成数据生成。研究表明，使用合成图像训练的CNN在3D姿态估计上表现优于使用真实图像训练。此外，提出的StylePoseGAN能够合成具有姿势控制的人类图像，适用于虚拟换装等应用。

本文介绍了CleanCLIP，一种新方法，旨在减弱后门攻击对多模态表征学习模型训练的影响。研究还提出了CLIP-benchmark，以评估CLIP性能的关键因素，并探讨多模态对比学习机制。MetaCLIP在多个基准测试中表现优异，Dp-CLIP关注数据隐私问题。SoftCLIP和EfficientCLIP通过不同策略提升跨模态检索效果，CLIPPINGS框架在图像-文本对齐方面表现突出。

该文综述多模态对比学习研究：句子嵌入训练可提升视觉-语言模型性能，但对音频-语言预训练帮助有限，且改善文本空间均匀性却降低跨模态对齐；线性变换可将视觉信息传递给固定语言模型，聚类编码与师生蒸馏能实现图像文本对齐；CLIP作视觉编码器在多任务上表现优异，大规模噪声图文对配合双编码器对比学习亦可达到先进水平。