汇报内容：

《Dynamic MDETR: A Dynamic Multimodal Transformer Decoder for Visual Grounding》。这篇论文提出了一种新型的动态多模态Transformer解码器（Dynamic MDETR），用于视觉定位任务。该方法通过将视觉定位过程分解为编码和解码两个阶段，利用2D自适应采样模块和文本引导解码模块，有效减少了计算量并提升了定位精度。实验表明，该方法仅使用9%的特征点，就能将多模态Transformer的计算量减少44%，同时在多个基准数据集上取得了优于传统编码器架构的性能。此外，该方法还首次将CLIP作为视觉定位的骨干网络，进一步提升了性能，展示了其强大的泛化能力和扩展性。