本研究提出了一种新方法，通过语言描述控制对象中心表示学习，解决了现有模型可控性不足的问题。该方法能够在复杂场景中提取特定对象的表示，并在视觉语言任务中表现优异。

本研究提出了一种新的注意力动态 DINO 框架，有效解决智能体在不同交互上下文中对手势和语言描述的误解问题，显著提升任务性能，尤其在 IoU 阈值为 0.75 时超越人类表现。

本文介绍了一种基于语言描述的视频目标分割方法，利用扩展的语言基础模型实现时空连续预测。研究表明，该方法在多个数据集上优于传统技术，特别是在动态对象捕捉和跨模态学习方面。新提出的模型OnlineRefer和VD-IT在准确性和效率上均优于现有方法，推动了视频理解任务的发展。

本文研究了无遮挡多类目标检测，提出了三种方法：使用语言描述、图像样例或两者结合。通过大型语言模型生成描述，结合视觉聚合器和多模态分类器，实验结果表明新方法优于传统方案，尤其在开放词汇目标检测和新颖类分类上表现突出。