SIEVE: 利用图像字幕模型进行多模态数据集修剪

该文介绍了SIEVE方法，用于评估图像-文本对的一致性，并在大规模和中等规模的数据集上取得了最先进的性能。该方法使用预训练的图像-文本模型生成的合成标题进行裁剪，以解决现有方法的限制。