谷歌照片推出了对话式编辑功能，用户可通过语音或文本描述进行编辑。点击“帮助我编辑”，Photos会根据描述进行调整，利用Gemini技术简化创意编辑。

本研究提出了一种名为SynCity的方法，旨在根据文本描述生成高质量的3D场景。该方法结合了预训练3D生成模型的几何精确性与2D图像生成器的艺术多样性，具有广泛的应用潜力。

本研究提出CausalCLIPSeg框架，旨在解决医学图像分割中的文本描述指示问题。该方法通过因果干预模块实现视觉与文本线索的对齐，显著提升了分割效果，实验结果表明其性能达到最先进水平。

本研究提出ExDDV数据集，旨在帮助识别深伪视频。该数据集包含约5400个真实与深伪视频，并提供文本描述和点击标注，以解释伪造特征。研究强调文本和点击监督在开发可解释模型中的重要性。

本研究提出了一种基于文本的运动合成方案，旨在解决高质量运动数据集不足和多样物体骨骼模板处理困难的问题。通过增强Truebones Zoo数据集并使用文本描述进行注释，实验表明该方法能够生成高保真运动，为多样物体的运动合成奠定基础。

本研究提出了一种全自动化的管道，将文本描述转化为高保真3D模型。该方法结合文本到图像生成、图像处理和深度学习技术，能够生成语义和几何精确的3D模型，具有在增强现实、虚拟现实和数字内容创建等领域的重要应用潜力。

本文提出了一种综合框架，通过单幅图像、多视角图像和文本描述生成高质量的3D形状和纹理，显著提升了生成的质量和多样性。

本研究提出了一种增强大型语言模型（LLM）的方法，通过结合可视化文本描述与快照，提取基本特征到结构化文本文件中，从而提升模型对科学数据可视化的响应能力，具有广泛的应用潜力。

本研究提出了一种图像描述增强的CLIP适配器（IDEA），旨在解决少样本图像分类中的信息互补不足问题。通过结合视觉特征与文本描述，IDEA在多个任务中超越了现有模型，并引入了可训练的IDEA（T-IDEA），在11个数据集上取得了领先成果。

本研究引入Humanoid-X数据集，利用超过2000万个与文本描述对应的人形机器人姿态，解决了人形机器人可扩展学习的挑战。研究表明，该方法显著提高了机器人在文本基础上的控制泛化能力，为实际应用奠定了基础。

本研究提出FLORA数据集，包含4,330对时尚服装与文本描述，旨在解决服装设计中缺乏专业数据集的问题。通过在FLORA上细调生成模型，可以显著提升从文本生成时尚设计图像的能力，推动时尚设计与AI的融合。

MTFusion是一种新方法，通过结合图像数据和详细文本描述，从单张图像重建高保真度的3D模型，尤其在表面细节方面表现优越。

本研究提出了一种新方法，通过在模型推理时提取文本描述来解释大型语言模型中的连续提示。使用InSPEcT方法，随着任务性能的提升，生成的任务描述更准确，为调试连续提示中的偏差提供了有效的解释方案。

本文探讨了基于大型语言模型的时间序列分析方法，包括时间序列预测、数据生成和文本描述生成。研究提出了AutoTimes和TGForecaster等模型，展示了在时间序列分类和预测中的优越性能，强调了文本信息与时间序列数据结合的重要性，并为未来研究提供了新基准。

介绍了MMIS数据集，包含近16万张图片，每张图片都有文本描述和音频记录，为场景生成和识别提供了丰富和多样的信息源。MMIS涵盖了各类室内空间，对多模态表示学习任务有贡献。