本文综述细粒度视觉—语言对齐研究：SPRM以弱监督学习短语与边界框对应；单通道架构通过跨模态重建和伪标签关键字预测实现多层级对齐；FILIP采用后期交互机制；Sparc改进短语嵌入；SRC进行正则化与解耦对比学习；LOUPE基于博弈论交互实现语义对齐；SelfAlign以自监督对比学习对齐；FineCo用细粒度对比损失处理视频；FineRewards引入两种语义奖励提升图文匹配。