#BridgeTower

BridgeTower模型通过在单模态和跨模态编码器间引入桥接层，实现了视觉和文本表示的有效对齐融合。仅用400万图像预训练，该模型在多个视觉语言任务上表现出色，如在VQAv2测试集达78.73%准确率。BridgeTower为视觉语言表示学习提供了新思路，显示出广阔应用前景。