图像-文本检索

b-CLIP：面向多粒度视觉-语言对齐的文本条件对比学习

b-CLIP: Text-Conditioned Contrastive Learning for Multi-Granular Vision-Language Alignment

用交叉注意力把图像 patch 按不同文本粒度（整句、句子、短语）动态池化成上下文视觉嵌入，并给出可调的多粒度对比损失，可直接用于需要密集图文对应的检索、grounding 与区域-短语匹配任务。