本研究提出LaVCa方法，利用大型语言模型生成自然语言描述，解决了深度神经网络在预测人脑视觉皮层体素活动时的解释难题，提高了体素选择性描述的准确性和细致性，为理解人类视觉表征提供了新视角。

本文提出了一种新的开放世界持续视觉表征学习方法DPaRL，通过动态生成提示增强模型对未见类别的泛化能力。实验结果表明，DPaRL在开放世界图像检索基准上表现优越，Recall@1提升4.7%，有效应对动态开放世界环境中的持续学习挑战。

本文研究了计算病理学中的视觉表征学习，利用大规模图像-文本对和病理知识树。研究构建了一个包含50,470个属性的知识树，涵盖32种组织和4,718种疾病。开发了一种知识增强的视觉-语言预训练方法，通过语言模型引导视觉学习。实验表明，该方法在跨模态检索和零样本分类任务中表现出色。代码和模型将公开。

本研究提出了DynaMo方法，通过自监督学习从专家示例中学习视觉表征，显著提升了下游模仿学习的性能，无需大量专家示例。

SegCLIP是一种基于CLIP的模型，实现了开放式词汇语义分割。通过训练文本-图像对来聚集补丁形成语义区域，并使用重构损失和KL损失与伪标签相结合来增强视觉表征。实验结果显示，SegCLIP在分割精度上超过了基线模型。

SegCLIP是一种基于CLIP的模型，实现了开放式词汇语义分割。通过训练文本-图像对来聚集补丁形成语义区域，并使用重构损失和KL损失与伪标签相结合来增强视觉表征。实验结果显示，该模型在分割精度上优于基线模型。