结构线索

StructXLIP：利用多模态结构线索增强视觉-语言模型

StructXLIP: Enhancing Vision-language Models with Multimodal Structural Cues

StructXLIP 将边缘图作为视觉结构代理，并设计结构中心损失来增强视觉-语言对齐，为跨模态检索提供了一种即插即用的微调策略，可复用于其他多模态模型的结构感知训练。