本文研究了弱监督下的视频句子时间定位，提出了多种模型和方法，包括基于回归的双模态交互、跨模态注意力模块和常识感知对齐框架，均在Charades-STA和ActivityNet Captions数据集上表现优异。此外，提出的VTG-GPT和VTG-LLM模型显著提升了视频时间定位的准确性和效率。

本文介绍了一种新颖的音频驱动面部动画生成方法，能够生成高质量的说话视频，确保唇语同步和丰富的面部表情。该方法通过多阶段框架和跨模态注意力技术，在生成质量和计算效率上优于现有技术，适用于实际应用。实验结果表明，其在个性化说话风格和视觉细节保持方面表现出色。

本文探讨了自然语言视频定位的多种方法，包括弱监督模型、跨模态注意力模块和基于常识感知的对齐框架，旨在提高视频时间定位的精确度和效率。研究表明，这些新方法在多个数据集上表现优越，推动了视频定位技术的发展。

该研究提出了一种基于文本描述的三维人体生成方法，利用跨模态注意力融合时尚语义，控制服装的形状和颜色。通过分层式3D生成模型和互动系统，用户可以高效生成和编辑3D服装，支持虚拟试穿，展示了在生成高质量3D着装人物方面的优越性。

该论文提出了一种基于视频和音频数据的零样本学习方法，利用跨模态注意力学习多模态表示，并通过文本标签嵌入实现知识转移。实验结果显示，该方法在多个数据集上表现优异，超越了现有技术。

该文综述多模态RGB-D分类与深度估计，提出伪深度测量融合方法，以克服单模态受季节、天气、光照等域变化影响，并在NCLT数据集上验证有效；同时介绍自监督跨模态转换、注意力融合、FusionRAFT、UAMD-Net等进展，提升语义分割、姿态估计与深度完善性能。