← Zero-Shot Cross-Modal Retrieval
평가 기록
과거 수집 기록이며 최신 순위가 아닙니다. 데이터셋 버전·split·실험 조건과 지표 방향이 검증되지 않은 결과는 직접 비교할 수 없습니다. 날짜는 논문 날짜이며 최신 평가일을 뜻하지 않습니다.
표가 화면보다 넓으면 좌우로 스크롤하여 논문과 구현 링크를 확인하세요.
| 모델 | 원본 지표·값 | 논문 | 구현 |
|---|---|---|---|
| InternVL-G |
|
InternVL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks 2023-12-21 |
코드 1 · 코드 2 |
| BEiT-3 |
|
Image as a Foreign Language: BEiT Pretraining for All Vision and Vision-Language Tasks 2022-08-22 |
코드 1 · 코드 2 |
| InternVL-C |
|
InternVL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks 2023-12-21 |
코드 1 · 코드 2 |
| COSMOS ViT-B/16 |
|
COSMOS: Cross-Modality Self-Distillation for Vision Language Pre-training 2024-12-02 |
코드 1 |
| CoCa |
|
CoCa: Contrastive Captioners are Image-Text Foundation Models 2022-05-04 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 |
| RO-ViT |
|
Region-Aware Pretraining for Open-Vocabulary Object Detection with Vision Transformers 2023-05-11 |
코드 1 · 코드 2 |
| M2-Encoder |
|
M2-Encoder: Advancing Bilingual Image-Text Understanding by Large-scale Efficient Pretraining 2024-01-29 |
코드 1 |
| ERNIE-ViL 2.0 |
|
ERNIE-ViL 2.0: Multi-view Contrastive Learning for Image-Text Pre-training 2022-09-30 |
코드 1 |
| Florence |
|
Florence: A New Foundation Model for Computer Vision 2021-11-22 |
코드 1 · 코드 2 |
| ALBEF |
|
Align before Fuse: Vision and Language Representation Learning with Momentum Distillation 2021-07-16 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 |
| COSMOS ViT-B/32 |
|
COSMOS: Cross-Modality Self-Distillation for Vision Language Pre-training 2024-12-02 |
코드 1 |
| Flamingo |
|
Flamingo: a Visual Language Model for Few-Shot Learning 2022-04-29 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 |
| VK-OOD |
|
Implicit Differentiable Outlier Detection Enable Robust Deep Multimodal Analysis 2023-09-21 |
코드 1 |
| ALIGN |
|
Scaling Up Visual and Vision-Language Representation Learning With Noisy Text Supervision 2021-02-11 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 |
| CLIP |
|
Learning Transferable Visual Models From Natural Language Supervision 2021-02-26 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 · 코드 10 · 코드 11 · 코드 12 · 코드 13 · 코드 14 · 코드 15 · 코드 16 · 코드 17 · 코드 18 · 코드 19 · 코드 20 · 코드 21 · 코드 22 · 코드 23 · 코드 24 · 코드 25 · 코드 26 · 코드 27 · 코드 28 · 코드 29 · 코드 30 · 코드 31 · 코드 32 · 코드 33 · 코드 34 · 코드 35 · 코드 36 · 코드 37 · 코드 38 · 코드 39 · 코드 40 · 코드 41 · 코드 42 · 코드 43 · 코드 44 · 코드 45 · 코드 46 · 코드 47 · 코드 48 · 코드 49 · 코드 50 · 코드 51 · 코드 52 · 코드 53 · 코드 54 · 코드 55 · 코드 56 · 코드 57 · 코드 58 · 코드 59 · 코드 60 · 코드 61 · 코드 62 · 코드 63 · 코드 64 · 코드 65 · 코드 66 · 코드 67 · 코드 68 · 코드 69 · 코드 70 · 코드 71 · 코드 72 · 코드 73 · 코드 74 · 코드 75 · 코드 76 · 코드 77 · 코드 78 · 코드 79 · 코드 80 · 코드 81 · 코드 82 |
| PTP-BLIP (14M) |
|
Position-guided Text Prompt for Vision-Language Pre-training 2022-12-19 |
코드 1 |
| AltCLIP |
|
AltCLIP: Altering the Language Encoder in CLIP for Extended Language Capabilities 2022-11-12 |
코드 1 · 코드 2 |
| UNITER |
|
UNITER: UNiversal Image-TExt Representation Learning 2019-09-25 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 |
| ViLT-B/32 |
|
ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision 2021-02-05 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 |
| ImageBERT |
|
ImageBERT: Cross-modal Pre-training with Large-scale Weak-supervised Image-Text Data 2020-01-22 |
연결 없음 |
| OpenCLIP VIT-H/14 |
|
Reproducible scaling laws for contrastive language-image learning 2022-12-14 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 |
| VAST |
|
VAST: A Vision-Audio-Subtitle-Text Omni-Modality Foundation Model and Dataset 2023-05-29 |
코드 1 · 코드 2 |