本研究提出了一种结合视觉语言推理与无监督领域适应的方法，解决了现有分割模型在训练时的类别限制。通过多尺度数据和增强文本嵌入，构建了首个无需共享类别的UDA-FROVSS框架，有效提升了细粒度分割能力。

本文研究使用预训练语言模型（PLMs）进行视觉语言推理任务，提出了Dynamic Visual Prompting（DVP）转移学习方法，能有效结合不同的视觉语言任务。DVP在效率和性能方面具有优势，并能适应预训练语言模型与VL任务的需求。

本文研究使用预训练语言模型（PLMs）进行视觉语言推理任务，并提出了Dynamic Visual Prompting（DVP）方法。DVP通过搜索算法将PLMs与不同的视觉语言任务相结合，实验证明DVP在效率和性能方面具有优势，并能适应预训练语言模型与VL任务相结合的需求。