本研究探讨深度视觉模型的可解释性，提出了解释链（CoE）方法，通过自动解码视觉概念，创建全球概念解释数据集，并设计多义性解开与过滤机制。实验结果表明，CoE在解释性得分上平均提高了36%。

本研究探讨深度神经网络在决策过程中的相似性与差异性，提出了一种可解释的表示相似性方法（RSVC），以识别模型间共享和独特的视觉概念。研究结果表明，模型的差异源于某些独有概念未被另一模型有效表示，验证了该方法的有效性。

本研究提出了一种构建与视觉概念对齐的头相关向量(HRVs)的方法，以解决文本到图像生成模型中跨注意力层理解不足的问题，从而提高图像生成的准确性和可控性。

该研究论文介绍了LaMI策略在图像识别中的应用，通过构建视觉概念和分析类别之间的视觉相似性，解决了概念表示不足和过度拟合的问题，且在无需外部训练资源的条件下表现出卓越的性能。

本研究提出了一种名为InFiConD的新框架，通过利用视觉概念实现知识蒸馏过程并实现后续的零代码微调学生模型，解决了在计算资源有限的环境中部署大型预训练模型的挑战。

研究发现，大型多模态模型在生成、检测和分类视觉概念方面的能力是模型特定且不可转移的。通过对三种先进模型进行分析，发现新的词嵌入是模型特定且不可转移的。研究还展示了软提示微调方法在视觉概念学习任务中发现这些扰动解，而视觉概念的嵌入是不可转移的。

我们引入了一种语义面板作为中介来解码文本到图像的过程，用于支持生成器更好地遵循指示。通过将从输入文本解析的视觉概念经由大型语言模型的辅助排列而成的面板注入到去噪网络作为详细的控制信号来补充文本条件，我们的方法 Ranni 在提高预训练的 T2I 生成器的文本可控性方面取得了进展。我们开发了一个实用系统，并展示了其在连续生成和基于聊天的编辑中的潜力。

该工作提出了一种元学习算法，模拟了大型语言模型的能力，通过学习新的视觉概念而无需微调。该方法利用预训练特征提取器，并将元学习重新构造为对已知和未知标签的数据点进行序列建模。在8个元学习基准中，超过或与最先进算法相匹配，无需元训练或微调。

大型文本到图像模型的能力引起了变革，但对于特定视觉概念，原始模型无法捕捉。本文提出了一种新的数据集生成策略，解决文本连贯性和身份保留问题，提高图像质量并生成多样样本。实验证明该方法在质量、保留、多样性和对齐方面取得了平衡。

本文介绍了一种元学习算法，通过学习新的视觉概念而无需微调，模拟了大型语言模型的能力。该方法利用预训练特征提取器，并将元学习重新构造为对已知标签和未知标签的数据点进行序列建模。在8个元学习基准中，超过或与最先进算法相匹配，无需元训练或微调。

该文介绍了一种元学习算法，无需微调即可学习新的视觉概念，模拟了大型语言模型的能力。该方法在11个元学习基准中的8个中超过或与最先进算法相匹配，无需元训练或微调。

本文介绍了 VeCLIP，一种用于 web 数据集训练的新方法，通过整合视觉概念和标题，改善数据质量和多样性，提高了图片-文本对齐和整体模型性能。