本研究提出了Sat2Sound，一个用于声景映射的多模态表示学习框架。该框架通过视觉-语言模型生成声景描述，并利用对比学习实现卫星图像与音频的跨模态检索，展示了新的声景合成应用，提供沉浸式声学体验。

本研究提出了一种新的生成式跨模态检索框架SemCORE，解决了现有方法在语义信息方面的不足。通过结构化自然语言标识符和生成语义验证策略，SemCORE提升了语义理解能力，并在多个数据集上显著提高了检索性能。

本研究提出了新型视觉语言基础模型LRSCLIP及数据集LRS2M，解决了遥感视觉语言模型在长文本处理和短文本信息不足方面的“幻觉”问题，显著提升了跨模态检索的精度。

本研究提出CS-Aligner框架，解决多模态对齐中的分布差异问题。通过结合柯西－施瓦茨散度与互信息，实现更精确的视觉语言分布对齐，实验结果表明其在文本到图像生成及跨模态检索中表现优异。

该研究提出了一种新的动态适配器（DASD），有效解决了资源匮乏语言中的跨模态检索问题。实验结果表明，DASD在图像-文本和视频-文本数据集上表现优异，显著提升了跨语言跨模态检索性能。

该研究提出FLEX-CLIP方法，解决传统少样本跨模态检索中的特征退化和数据不平衡问题。通过生成伪样本和融合CLIP特征，实验结果显示在四个基准数据集上的性能提高了7%至15%。

本研究提出了一种名为最近邻规范化（NNN）的方法，旨在提升大规模预训练模型在图像描述、视觉问答和跨模态检索中的性能。该方法无需额外训练，显著改善了文本与图像检索的效果，具有广泛的应用潜力。

本文介绍了一种结合视觉和文本数据的跨模态检索模型，针对餐品及食谱进行建模，并在Recipe1M数据集上验证了其优越性能。此外，研究提出了逆向烹饪系统和多模态API等新方法，以提升食谱生成和个性化，展示了食品计算领域的广泛应用潜力。

该论文提出了一种新的声学嵌入方案sound-word2vec，应用于文本检索和电影制作等任务。研究探讨了无监督神经网络模型在语音与图像的语义关联，提出了基于双流网络的算法用于声源定位，并通过自监督学习提升性能。此外，介绍了Spatial LibriSpeech数据集用于训练模型，展示了在声音景观映射和跨模态检索中的优越表现。

本研究探讨了多种知识蒸馏策略在CLIP模型中的应用，提升了学生模型在零样本分类和跨模态检索中的性能。提出的CLIP-benchmark和CSKD方法有效整合无标签数据，显著提高了视觉-语言任务的表现。RWKV-CLIP和LP-CLIP技术进一步增强了模型的鲁棒性和性能。

本文探讨了多模态知识检索和视觉问答（VQA）模型的改进，提出了ReViz和SKURG等新方法，显著提升了检索精度和性能。研究表明，跨模态检索有助于弥合语义差距，并在多个数据集上取得了最佳成绩。

本文探讨了计算病理学中的视觉表征学习，构建了包含50,470个属性的病理知识树，并开发了基于知识增强的视觉-语言预训练方法。研究表明，该方法在跨模态检索和零样本分类等任务中显著提升了性能。此外，提出的无监督技术CPLIP在图像和文本对齐方面表现优异，推动了病理学研究的进展。

本文探讨了零样本学习在草图图像检索中的应用，提出了一种新框架，通过对比文本间接对齐素描与照片，避免了成对样本的需求。研究表明，该方法在多个数据集上表现优越，有效实现了跨模态内容检索。