视觉语言嵌入

CLAY：视觉语言嵌入空间中的条件视觉相似度调制

CLAY: Conditional Visual Similarity Modulation in Vision-Language Embedding Space

把预训练 VLM 的嵌入空间当作文本条件的相似度空间，无需训练即可用固定视觉嵌入做多条件组合检索；对做图文检索、个性化搜索或需要按用户意图动态调整相似度度量的视觉研究者，这是一个可直接复用的免训练条件化思路。