两基准最优
视觉与文本提示联合学习，文本监督与图像微调循环协同，显著提升人物交互检测性能。
Jinguo, Luo · 任卫红 · Wang, Zhiyong · Xi'ai, Chen · Huijie, Fan · 韩志 · Honghai, Liu
IEEE Transactions on Image Processing 2025
通过视觉提示的渐进式 token 迁移和文本提示的分级交互描述初始化，模型摆脱固定文本描述的限制，在零样本设置下也能取得优异性能。
提出的文本监督与图像微调循环使视觉和文本提示相互引导，通过对比学习和模态匹配实现更深层的知识融合。