本文提出视觉提示多模态跟踪 ViPT，通过学习与模态相关的提示，使得冻结的与训练模型适应各种下游任务。仅基于RGB序列的目标跟踪在一些复杂场景（如极端光照、背景杂乱和运动模糊）中仍容易失败。因此，多模态跟踪因其能够通过利用不同模态之间的互补性来实现更稳健的跟踪而受到越来越多的关注。然而，作为RGB基础跟踪的下游任务，多模态跟踪面临的主要问题是缺乏大规模数据集。由此产生了用预训练的RGB跟踪器在目标