SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features

Siglip 2

📌 核心贡献

stage1: sigmoid loss+locCa loss(AR decoder): caption+grounding, stage 2: MAE+蒸馏+sigmoid+locCa

📖 摘要

stage1: sigmoid loss+locCa loss(AR decoder): caption+grounding, stage 2: MAE+蒸馏+sigmoid+locCa

🔍 关键信息

字段	内容
机构
发表	2025-02-20
分类	cs.CV, cs.AI
链接	arXiv

📝 我的笔记

🔗 相关论文

基于/改进自： CLIP 对比基线： CLIP, FILIP 同方向： AIMv2, InternVL, DINOv2