本研究提出了一种新的实例感知结构化字幕框架InstanceCap，旨在解决文本到视频生成中的信息不足和运动描绘不准确的问题，从而显著提升视频生成的保真度和一致性。

本文介绍了一种利用模态感知和实例感知的视觉提示网络来重新识别可见-红外人员的方法。该方法基于Transformer架构，利用模态特定提示和个体特定提示提高鉴别能力，并在SYSU-MM01和RegDB数据集上进行了验证。

InstaFormer是一种基于Transformer的网络结构，用于实例感知的图像到图像的转换。它整合全局和实例级信息，通过自注意力模块考虑上下文信息。使用自适应实例归一化代替层规范化，并引入实例级内容对比损失提高实例感知能力和翻译质量。实验证明，InstaFormer具有更好的性能。

该文介绍了一种针对以物体为中心的视觉感知的实例感知对象关键点提取方法（AnyOKP），利用预训练视觉转换器（ViT）进行特征提取，可以为任意类别的多个对象实例获得关键点。该方法在真实物体图像上进行了评估，展示了跨类别的灵活性和实例感知性，以及对领域转移和视角变化的稳健性。

该研究提出了一种针对以物体为中心的视觉感知的实例感知对象关键点提取方法，利用预训练视觉转换器进行特征提取，展示了跨类别的灵活性和实例感知性。

本论文提出了一种新的底部向上体系结构，用于解决实例感知的人体部位解析的挑战任务。该框架利用结构信息降低人员分区的难度，并通过联合关联建模实现可微分的解决方案。该方法具有端到端的可训练性，并允许将分组误差传播到多层次的人类表征学习中。