跳到正文
arXiv · 机器人与计算机视觉· Kevin Zhai, Bian Sun, Zhenyi Wang, Song Wang·· 13 小时前AI 评分53

ViLFlow:基于连续潜流的并行视觉 - 语言生成模型

ViLFlow: Parallel Vision-Language Generation with Continuous Latent Flows

AI 导读

论文提出了 ViLFlow(Vision-Language Flow),一种结合输出嵌入联合建模与并行令牌解码的连续流视觉 - 语言模型。该方法通过学习的图像引导和预测感知令牌解码,将预训练的连续语言生成适配到视觉问答和图片描述任务。

来源:arXiv · 机器人与计算机视觉 · arxiv.org