本研究提出了一种视觉词典（ViLex），通过自监督学习有效捕捉高层语义和细致视觉细节，优化图像重构，提升视觉-语言模型的性能，推动高保真图像生成和视觉场景理解。
完成下面两步后，将自动完成登录并继续当前操作。
