跳到正文
arXiv · ML· Kevin Zhai, Bian Sun, Zhenyi Wang, Song Wang·· 12 小时前AI 评分29

ViLFlow: 基于连续潜流并行视觉-语言生成模型

ViLFlow: Parallel Vision-Language Generation with Continuous Latent Flows

AI 导读

ViLFlow 是一款结合输出嵌入联合建模与并行 token 解码的连续流视觉-语言模型。 该模型在 VQAv2 上优于自回归及掩码扩散基线达 8.46 个百分点,在 COCO Karpathy test 上提升 CIDEr 16.25 分。 其解码器可独立适配,在不重新训练去噪器的情况下提升问答与描述能力。

来源:arXiv · ML · arxiv.org