跳到正文
arXiv · 机器人与计算机视觉· Hanpeng Liu, Yaqian Li, Zidan Wang, Shuoxi Zhang, Zonglin Zhao, Zihao Bo, Rinyoichi Takezoe, Kaiwen Long, Kun He·· 2026-10-12AI 评分65

ITO:面向图文预训练的多视图对齐与训练时融合方法

ITO: Multi-View Alignment and Training-Time Fusion for Image-Text Pretraining

AI 导读

针对现有图文对比预训练方法表征仍部分依赖模态而非语义的问题,提出 ITO 框架。该框架通过多视图图像增强构建跨模态对应关系以丰富监督信号,并引入轻量级训练时多模态融合模块作为正则化器,促使编码器生成兼容的融合特征。

来源:arXiv · 机器人与计算机视觉 · arxiv.org