Nov, 2022

ComCLIP: 无须训练的图文组合匹配

TL;DR本文通过提出一种新颖的训练免费的组合CLIP模型 (ComCLIP) 来解决复合图像和文本匹配的问题,通过将输入图像分解为主题、对象和动作子图像,并组合 CLIP 的视觉编码器和文本编码器来在组成性文本嵌入和子图像嵌入上执行动态匹配,从而实现了对差异性语义的建模,提高了CLIP的零样本推理能力。