本研究探讨了大型视觉语言模型中的幻觉现象，提出了视觉感知头发散（VHD）指标，以量化注意力对视觉内容的敏感性，并引入视觉感知头强化（VHR）方法，显著提升模型性能。

本文提出了一种强大而可解释的深度变化特征学习（DeepCL）框架，通过显式建模时序关系和引导分割过程来实现可靠的变化检测。经过全面评估，DeepCL 框架表现出卓越的特征区分能力，并适用于各种变化检测算法，具有明显的优势。

本文介绍了一种基于深度学习的区域合并方法DeepMerge，用于处理大面积VHR图像的分割。该方法通过集成Transformer、多级嵌入模块、基于分割的特征嵌入模块和区域邻接图模型来处理问题，并使用改进的二叉树采样方法生成深度合并模型的多级输入。实验结果表明，DeepMerge具有最高的F值（0.9446），最低的TE（0.0962）和ED2（0.8989），能够正确地分割不同大小的对象，并且在定量和定性评估方面优于其他分割方法。