マルチモーダル特徴の対照的なクロスモーダル特徴アライメントによるセマンティック理解

論文は、CLIPによる対照的学習を用いた新しいアーキテクチャを提案し、マルチモーダル特徴のアライメントを行うことで、多様なタスクで優れたパフォーマンスを達成することを示しています。