Dalam domain penglihatan komputer, pembelajaran mesin dan model multimodal yang berkembang pesat, kemajuan ketara sedang dibuat yang memfokuskan pada pendekatan inovatif untuk meningkatkan penjanaan imej, pemahaman video, pengesanan objek dan pembahagian. Perkembangan yang patut diberi perhatian termasuk pengenalan set data dan penanda aras baharu, seperti EgoTextVQA dan OpenSDI, yang direka bentuk untuk meningkatkan prestasi model dalam bidang tertentu seperti menjawab soalan visual dan pengesanan anomali. Penyelidik sedang meneroka teknik seperti campuran Gaussian, mekanisme perhatian spatiotemporal, dan strategi pembelajaran adaptif untuk menangani cabaran seperti penyesuaian domain, melupakan bencana, dan penyepaduan maklumat visual dan teks yang lancar. Kepentingan memperhalusi model besar untuk aplikasi tertentu sambil memastikan keupayaan generalisasi mereka digariskan, menonjolkan potensi penggabungan kaedah tradisional dengan teknik pembelajaran mendalam yang canggih. Tambahan pula, peranan model bahasa yang besar dalam meningkatkan pemahaman visual dibincangkan, di samping keperluan untuk rangka kerja penilaian yang mantap untuk menilai prestasi model secara berkesan merentas pelbagai tugasan dan set data. Secara kolektif, kemajuan ini ditetapkan untuk menolak sempadan pembelajaran multimodal dan visi komputer, melengkapkan penyelidik dan pengamal dengan alat dan metodologi yang boleh digunakan untuk senario dunia sebenar.
