搜索结果

通用机器人策略的视觉编码器该怎么选，这个问题正在被重新提问。过去的主流做法是拿单张图像做重建，或者拿两张图像做对比学习，encoder 学到的东西偏向静态：画面里有什么物体、纹理长什么样、场景布局如何。

OpenAI CLIP 论文展示如何利用互联网图文对进行对比学习，得到可迁移视觉表征并支持零样本识别。虽发表较早，但是理解多模态与CV子领域绕不开的公开基础文献，适合教程向解读。