图文对构建

从面板到像素：面向生物医学科学文献的放大式视觉语言预训练

From Panel to Pixel: Zoom-In Vision-Language Pretraining from Biomedical Scientific Literature

把多面板科研图拆成 figure/panel/region 三级图文对，为视觉语言预训练提供细粒度、可复用的数据构造与多粒度目标统一思路，可直接迁移到任何含密集标注结构的图文语料（如说明书、海报、UI 截图）。