细粒度视觉表征

CoV-Align：以连贯视觉语义优先的高效细粒度跨模态对齐

CoV-Align: Efficient Fine-grained Cross-Modal Alignment with Cohesive Visual Semantics Priority

用无文本引导的语义收敛注意力先聚合视觉 patch，再与文本对齐，可把图文检索/跨模态检索中的 patch-word 冗余相关性计算量降下来，3-5x 加速对大规模多模态训练与推理有直接复用价值。