视觉引导适配器

WikiCLIP：面向开放域视觉实体识别的高效对比基线

WikiCLIP: An Efficient Contrastive Baseline for Open-domain Visual Entity Recognition

提出用大语言模型嵌入作为实体表示，并通过视觉引导的知识适配器在图像块级别对齐文本语义与视觉线索，为视觉-语言检索提供了一种高效且可复用的对齐范式。