该研究提出了一个统一的MoE公式，揭示了路由器在视觉MoE模型中的重要作用。

研究人员提出了一个全面的数据集ChimpACT，用于量化黑猩猩的纵向行为和社会关系。该数据集包含163个视频，涵盖了2015年到2018年德国莱比锡动物园的20多只黑猩猩群体。实验结果表明，ChimpACT为解决黑猩猩群体的计算机视觉任务提供了机会，加深了对非人类灵长类动物的理解。

本研究提出了一项名为OpenVIS的新计算机视觉任务，旨在根据文本描述分割、检测和跟踪视频中的任意对象。通过开放词汇的设计，OpenVIS可以识别所需类别的对象，不受训练数据集的限制。研究提出了一个由两个阶段组成的流程，利用基于查询的蒙版提议网络生成潜在对象的蒙版，并通过预训练的VLM预测其类别，然后通过提议后处理方法更好地适应预训练的VLMs，以避免扭曲和不自然的提议输入。

本研究提出了一项名为OpenVIS的新计算机视觉任务，旨在根据文本描述分割、检测和跟踪视频中的任意对象。通过开放词汇的设计，OpenVIS可以识别所需类别的对象，不受训练数据集的限制。研究提出了一个由两个阶段组成的流程，利用基于查询的蒙版提议网络生成潜在对象的蒙版，并通过预训练的VLM预测其类别，然后通过提议后处理方法更好地适应预训练的VLMs，以避免扭曲和不自然的提议输入。

本文提出全能视觉多任务适配器（VMT-Adapter）用于计算机视觉任务，通过共享任务知识增强跨任务交互，保留任务特定知识。同时提出VMT-Adapter-Lite以减少可训练参数。实验证明VMT-Adapter(-Lite)相对改进3.96%（1.34%），仅利用预训练模型约1%（0.36%）的可训练参数。

本文提出了一种名为混合动态变分自编码器（MixDVAE）的潜在变量生成模型，用于建模多个移动源组成的系统的动态。通过在单源数据集上预训练DVAE模型来捕捉源的动态，然后将多个预训练DVAE模型的实例集成到一个多源混合模型中，带有离散观测-源分配潜变量。实验结果表明，该方法在计算机视觉任务和音频处理任务上表现良好，并超过了几种基准方法。

该文章提出了一种学习判别特征的框架，以改进人群计数模型的定位能力和区分前景与背景的能力。该框架包括掩蔽特征预测模块和像素级对比学习模块，对计算机视觉任务有潜在的性能提升效果。

InstructDiffusion是一个用于将计算机视觉任务与人类指令对齐的通用框架。通过扩散过程训练模型以预测像素，它能够处理各种视觉任务，并在新数据集上表现优于先前的方法。这将推进计算机视觉领域的人工智能通用建模接口的发展。

本文介绍了一种保护隐私的自动驾驶方法，通过将图像和标签转换为鱼眼样式的数据，优化了深度学习模型的计算机视觉任务。实验结果表明，该方法在自动驾驶数据上训练时表现优于基线方法。

该研究介绍了Convolutional Dense Attention-guided Network (CDAN)的工作原理和应用，通过图像增强技术改善了低光照条件下的图片质量，并在计算机视觉任务中展示了潜力，特别是在低光照条件下的目标检测和识别方面。

本研究评估了计算机视觉任务中彻底自监督学习技术的有效性，并提出了一种基于标注块的零样本分割评估协议。通过MMC方法，利用蒙版图像建模、自蒸馏和全局对比度提升SSP ViTs的区分能力，实现了零样本语义分割的顶级效果。

本文介绍了一种名为DR-Net的新型深度网络架构，用于图像去雾。该网络由三个子网络组成，分别是传输预测网络、去雾网络和优化网络。DR-Net在数据驱动模型、端到端系统和鲁棒性方面表现出色。实验证明，DR-Net在定量和定性指标上都优于最新方法。此外，DR-Net在计算机视觉任务中也具有潜在用途。