实时多人姿态估计在平衡速度与精度方面存在显著挑战。两阶段自上而下方法会随图像中人数增加而减速，而现有单阶段方法往往难以同时实现高精度和实时性能。本文提出RTMO框架，该单阶段姿态估计方案通过YOLO架构内采用双一维热图表示关键点，无缝整合坐标分类，在保持高速的同时达到与自上而下方法相当的精度。我们提出动态坐标分类器和针对热图学习的定制损失函数，专门解决坐标分类与密集预测模型间的兼容性问题。RTMO在COCO数据集上以相同骨干网络实现1.1% AP提升且速度快9倍，超越当前最优单阶段姿态估计器。

我们研究从无标签视频中学习物体分割。人类无需知道物体是什么就能轻松分割运动物体。基于共同命运 (common fate) 的格式塔定律——即以相同速度运动的物体属于同一整体——启发了基于运动分割的无监督物体发现方法。但共同命运并非物体性的可靠指标：铰接/可变形物体的部件可能不以相同速度运动，而物体的阴影/反射虽始终随之移动却不属于物体本身。

我们提出了Pix3D——一个包含多样化图像-形状对的大规模新数据集。Pix3D中的每个3D形状都关联着一组丰富多样的图像，每张图像都带有精确的3D位姿标注以确保2D-3D对齐的准确性。相比之下，现有数据集存在以下局限：3D模型可能与图像中的物体不匹配；位姿标注可能不精确；或者数据集规模相对较小。

基于点击的交互式分割旨在通过用户点击的引导从图像中提取感兴趣的对象。近期研究通过利用输出反馈取得了优异的整体性能。然而在现有最先进方法中仍存在两大问题：1) 推理阶段依赖僵化的启发式规则且需要独立优化模型；2) 用户点击次数与模型性能难以平衡。为此，我们提出包含三项创新组件的点击引导掩码交互式图像分割框架：级联前向优化(CFR)、迭代点击损失(ICL)和SUEM图像增强。CFR提供统一推理框架实现由粗到细的分割结果生成，ICL使模型训练能同步提升分割精度并减少用户交互，SUEM增强则为交互式图像分割创建大规模多样化训练集。大量实验证明该方法在五个公开数据集上达到最先进水平。值得注意的是，在Berkeley和DAVIS数据集上，我们的模型分别以33.2%和15.5%的点击量降幅超越了先前最佳方法达到0.95 IoU阈值所需的交互次数。