医学影像

从条目化文本监督中学习完整且可解释的视觉表征

Learning complete and explainable visual representations from itemized text supervision

针对单图多条目文本（如医学影像的多处独立发现）的监督，用交叉注意力生成条目条件化的视觉嵌入，并设计条目独立性与覆盖完整性目标，可复用于非物体中心领域的视觉-语言预训练与细粒度定位式解释。