Jan, 2024
SyCoCa: 对称化的关注屏蔽对齐的对比式字幕生成器
SyCoCa: Symmetrizing Contrastive Captioners with Attentive Masking for
Multimodal Alignment
TL;DR当前视觉语言模型研究的基础主题是语言和视觉之间的多模态对齐。对比式字幕生成器 (CoCa) 是一种代表性方法,它将对比语言-图像预训练 (CLIP) 和图像字幕 (IC) 集成到统一框架中,取得了令人印象深刻的结果。本文提出了一种称为对称式对比式字幕生成器 (SyCoCa) 的方法,从全局和局部表达水平上引入图像和文本交互,以实现多模态对齐。在实验中,我们验证了所提出方法的有效性。