本研究提出了iVISPAR，一个用于评估视觉语言模型（VLMs）在空间推理和视觉对齐能力的交互式多模态基准。结果表明，尽管某些VLM在简单任务中表现良好，但在复杂配置，尤其是3D和文本表达方面仍存在不足。

本研究提出快速提示对齐（FPA）框架，旨在解决复杂文本提示与生成视觉对齐的问题，提高对齐效率，降低计算需求，并展示实时推断的应用潜力。

本研究提出一种新方法，通过引入触觉模态来改善三维生成中的几何细节表现。结合高分辨率触觉感知与二维扩散模型，能够生成更真实的几何纹理，实现视觉与触觉的精准对齐。

本研究提出了一种视频检索增强生成（Video-RAG）的方法，旨在解决大型视频语言模型在长视频理解中的局限性。通过视觉对齐的辅助文本，Video-RAG显著提升了跨模态对齐效果，减少了对高质量数据和GPU资源的依赖，并在多个基准测试中表现优异。

本研究探讨了鲁棒优化在深度神经网络中的应用，强调其对特征学习和可视化能力的提升。通过比较人类与机器视觉，发现自监督模型在性能上超越人类，但仍需改进。研究分析了模型规模、数据集和目标函数对认知表示的影响，并提出新的数据集以衡量AI与人类的视觉对齐，探讨了视觉-语言模型在不同场景下的稳健性。