通过仅文本训练挖掘细粒度的图像 - 文本对齐用于零样本字幕生成

💡 原文中文,约200字,阅读约需1分钟。
📝

内容提要

本研究提出了一种新方法,通过合成图像文本对解决图像标注中的跨模态对齐问题,取得了最先进的性能。

🏷️

标签

➡️

继续阅读