本文展示了 DINOv2，一系列在大型精选数据上预训练的无监督图像编码器，其性能在广泛的基准测试上（无需微调）与弱监督替代方案相当。其成功归因于：改进的训练策略、更大的模型规模、更大的精选数据集以及有效的知识蒸馏。这些模型展现出对物体部件和场景几何的理解能力。

本文开发一个可提示的模型 SAM，并设计数据引擎构建一个广泛的数据集，通过一个能实现强大泛化能力的任务进行预训练，从而通过提示工程，解决新数据分布上的各种下游分割问题。

本文将 VLM 篡改检测重新定义为基于像素、融合意义与语言的任务，通过逐像素差异图获取可控标签。本文发布了高保真、大规模的 PIXAR 基准，提供原始/篡改图像、丰富元数据、差异图、推荐像素标签及语言描述，引入了一个像素感知的训练框架，用于定位、语义分类和自然语言描述生成。

本文提出了一种有效的可扩展算法，使用强化学习改进扩散模型，涵盖人类偏好、组成性和公平性等多种奖励函数，涉及数百万张图像。该方法显著优于现有方法，使扩散模型与人类偏好保持一致。

MLP具有固定的激活函数和可学习的权重，而KAN没有线性权重，而是使用双层的、由样条函数组合的、可学习的激活函数。相比于MLP，KAN具有更好的可解释性，且使用更少的参数打到与MLP相同或超越的精度​。但KAN的训练缓慢，扩展应用有待探索

本文提出 MiniGPT-5，它以 “生成式 Voken” 的概念为基础，通过将 LLM 与预训练的文本到图像生成模型对齐，来生成带有连贯文本叙述的图像。介绍了一种用于无描述多模态生成的两阶段训练策略。

Mamba 非常适合具有长序列和自回归特征的任务。本文提出了一个指标来判别序列是否是长序列本文。它通过堆叠 Mamba 块并移除 SSM，构建了 MambaOut 模型，来验证 Mamba 在分类、检测和分割等视觉任务​中的适用性。

RWKV-CLIP 是 RWKV 驱动的视觉语言表示学习模型。它采用了双塔架构，具有类似于 Transformer 的块堆叠编码器，每个块由一个空间混合模块和一个通道混合模块组成。此外，它使用LLM来获得精炼的图像描述。

​本文提出了 Pathways 自回归文本到图像（Parti）模型，将文本到图像的生成视为序列到序列的建模问题。还提出了 P2 基准以及种植樱桃树的新概念。

为改进本文到图像对齐，本文提出 XMC-GAN。它通过多个对比损失来捕捉模态间和模态内的对应关系。它使用注意力自调制生成器，强化文本与图像的对应关系，以及一种对比鉴别器，既进行评判又作为对比学习的特征编码器。