本研究提出了一种单位语言方法，以解决无文本语音到语音翻译模型在提取跨模态语言特征和学习语言对齐方面的挑战。通过多任务学习，模型性能显著提升，实验结果与文本训练模型相当。

本研究提出了一种基于预训练视觉-语言模型的视频目标分割方法，重点增强跨模态特征交互。通过运动表达引导，开发了MeViS数据集，并在PVUW挑战赛中取得优异成绩。研究分析了静态数据和帧采样的有效性，提出了半监督算法PReMVOS，解决了多对象分割的挑战，展示了在复杂场景中的强大鲁棒性和准确性。

本研究提出了一种有效的深度估计方法，结合背景提示策略和偏振成像技术，提升了多样性场景中的深度估计性能。通过深度学习框架，识别和整合跨模态特征，优化深度图预测，展现出在复杂环境中的鲁棒性。实验结果表明，该方法在多个数据集上优于现有技术，具有显著的泛化能力和准确性。