画像と音声の精密な整合性が、より良い画像音声検索を実現する

提案フレームワークは、粗い段階での画像音声表現の整合性を学習する画像音声対比学習と、さらに詳細な整合性を学習する画像音声マッチング学習を統合的に学習することで、優れた画像音声検索性能を実現する。