本研究提出DenseVLM框架，旨在解决预训练视觉语言模型在密集预测任务中的不足，通过无监督区域语言对齐技术克服前景偏差，从而显著提升目标检测和图像分割的性能。

本研究提出了一种名为FADE的轻量级特征上采样操作符，旨在提升密集预测任务的性能。FADE通过高效卷积和门控机制结合编码器与解码器特征，实现细节补偿，实验结果表明其在多任务上表现优异且成本低廉。

本研究提出了一种在少样本情况下改进普适少样本分割任务的方法，通过学习视觉提示对多尺度Transformer解码器进行提示，实现准确的密集预测。引入单向因果关注机制提升新提示质量，无需测试时间优化或传导即可在基准数据集上实现最先进性能。使用未标记的测试数据进行传导提示调优。

本研究提出了一种在少样本情况下改进普适少样本分割任务的方法，通过学习视觉提示对多尺度Transformer解码器进行提示，实现准确的密集预测。引入单向因果关注机制提升新提示质量，无需测试时间优化或传导即可在基准数据集上实现最先进性能。

本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

本文提出了一种多粒度时间聚合框架，利用最大池化和注意力技术实现了下一步行动和密集预测，并在多个数据集上取得了最新的实验结果。

本文介绍了一种灵活的多粒度时间聚合框架，利用最大池化和注意力等简单技术实现了最新的下一步行动和密集预测。在 Breakfast、50Salads和EPIC-Kitchens数据集上进行了实验，并与视频分割和动作识别兼容。