多粒度语义聚合

连接像素与词：面向多模态媒体验证的掩码感知局部语义融合

Bridging Pixels and Words: Mask-Aware Local Semantic Fusion for Multimodal Media Verification

把掩码-标签对作为视觉与文本之间的细粒度对齐单元，并用双向查询机制检测局部语义冲突，这一思路可直接迁移到需要像素级视觉定位的跨模态任务（如指代分割、开放词表定位、图文检索中的局部匹配）。