이미지-텍스트 합성 모델 CLIP의 객체-속성 조합 일반화 능력에 언어 정보가 핵심적인 역할을 한다

CLIP 모델의 객체-속성 조합 일반화 능력은 학습 데이터의 다양성과 언어 감독에 크게 의존한다.