本研究提出了一种零样本方法，结合大型语言模型与域外强化学习，提升智能体在复杂Atari游戏《青蛙跳跃》中的适应性和样本效率。

本文综述了过去五年的人体姿势估计方法，重点分析了其准确性、速度和鲁棒性。研究比较了多种方法，提出了基于深度学习的创新架构，并强调了零样本方法在下肢假肢步态分析中的潜力，探讨了未来研究方向。

本文提出了一种零样本方法，通过视觉语言模型改善视频片段与文本的对齐，显著提升视频片段检索性能。引入大规模视频时刻检索任务，开发了互补匹配网络（RMMN）和背景感知时刻检测变压器模型（BM-DETR），在多个基准测试中表现优异。

本文介绍了AnimateZero，一种基于预训练文本到视频扩散模型的零样本方法，能够高效生成图像动画。该方法无需额外训练，支持交互式视频生成，且在视频生成中表现出更好的像素一致性和用户偏好，推动了视频生成技术的发展。

该综述概述了扩散模型在图像超分辨率中的应用，分析了其独特方法，涵盖输入域、条件策略、指导、失真空间和零样本方法等方向，并讨论了当前趋势、挑战与未来方向。

该综述梳理扩散模型在图像超分辨率中的进展，涵盖条件策略、引导、失真空间与零样本方法，并介绍代表性研究：基于扩散概率模型的单图超分、一步推断的SinSR、质量评估指标SRIF、隐式扩散模型IDM、加速条件模型ACDMSR、文本先验盲超分、光场模型LFSRDiff及任意尺度模型Diff-SR，总结趋势与挑战。

该研究介绍了一种创新的零样本方法，利用图像生成扩散模型实现无标记姿态估计，为下肢假肢的步态分析提供了有希望的解决方案。研究结果证实了这种方法的可行性，并强调其在推进下肢截肢者步态分析方面的潜力。

GenZI是第一个零样本方法，用于生成3D人与场景的交互。通过从大型视觉-语言模型中提取交互先验知识，利用自然语言描述和场景中的粗略点位置，合成场景中的3D人模型的姿态和形状。与传统方法相比，GenZI不需要捕获3D交互数据，使用简单易用的文字提示进行灵活控制。实验证明该方法适用于各种场景类型。

研究发现Vision Transformers（ViTs）中存在量化伪像，提出了一种零样本方法SRT来改善预训练ViTs处理空间量化的方式。SRT可以有效地超分辨率预训练ViTs的特征，捕捉到更多的局部细粒度结构。在不同任务中，SRT都能提高模型性能。此外，SRT还适用于非密集预测任务，产生了一致的改进效果。

本文提出了音频字幕的三个愿景：生成流畅的文本、生成忠实于输入音频的文本和提高听觉可感知性。通过零样本方法，使用推理过程进行字幕生成，涉及三个网络：GPT-2语言模型、ImageBind多模态匹配网络和文本分类器。在AudioCap数据集上展示了结果，证明了听觉指导明显提高了性能。

提出了一种零样本方法MultiCapCLIP，用于多场景和多语言的视觉描述生成。该方法无需标注视觉-描述对，可以为不同场景和语言生成视觉描述。在四个基准测试和四种语言上，相对于最先进的零样本和弱监督方法，取得了4.8%和21.5%的绝对改进。