图像生成

Decoupled Vision-Language System for Multimodal Understanding and Generation

用于多模态理解与生成的解耦式视觉-语言系统

Yifan Xu, Baochen Xiong, Xiaoshan Yang, Donglin Di, Yaowei Wang, Changsheng Xu

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Peng Cheng Laboratory（鹏城实验室） ； Li Auto（理想汽车） 纠错

专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本研究提出多模态大语言模型Libra的解耦式视觉-语言架构，通过开关注意力与FFN模块实现自模态与跨模态解耦，在理解与生成任务上均取得优异性能。

EviRank: Structured Relevance Evidence for Multimodal Image Re-ranking

EviRank：用于多模态图像重排序的结构化相关性证据

Enjun Du, Siyi Liu, Zirong Chen, Xinyu Zuo, Jinwen Luo, Ruiwen Tao, Lisheng Duan, Haijin Liang, Jin Ma, Junfu Pu, Yongqi Zhang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tencent Yuanbao（腾讯元宝） ； The University of Hong Kong（香港大学） 纠错

专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV

AI总结 针对现有多模态图像重排序器的不足，提出EviRank将查询解析为结构化证据包，通过证据条件验证实现重排序，在五个基准上达SOTA，蒸馏学生模型保留超90%能力且成本更低。