该文汇总多项视觉语言研究：用余弦距离损失实现自动驾驶视觉定位（AP50达68.7%）；改进GAN文本生成图像的多样性；提出仅用语言训练的LinCIR框架，零样本CIR性能领先；用VAS指标优化预训练数据选择；并提出跨模态难度度量、去噪dCS损失、对抗数据合成、实体标准化框架CoSiNES及视频文本检索新方法。