摘要

大规模视觉与语言表示学习在各种视觉-语言任务上展示了令人鼓舞的改进。现有的大多数方法采用基于变压器的多模态编码器来联合建模视觉标记（区域图像特征）和词汇标记。由于视觉标记和词汇标记未对齐，这使得多模态编码器在学习图像-文本交互方面面临挑战。本文中，我们引入了一种对比损失，用于在通过跨模态注意力机制融合（Fusing）之前对齐（ALigning）图像和文本表示（ALBEF），从而实现更加扎实的视觉与语言表示学习。与大多数现有方法不同，我们的方法不需要边界框注释或高分辨率图像。为了从噪声网络数据中提高学习效果，我们提出了一种动量蒸馏的方法，这是一种自训练方法，通过动量模型生成的伪目标进行学习。我们从互信息最大化角度对ALBEF进行了理论分析，表明不同的训练任务可以被解释为为图像-文本对生成不同视图的方式。ALBEF在多个下游视觉-语言任务上达到了最先进的性能。在图像-文本检索任务中，ALBEF的表现优于那些在数量级更大的数据集上预训练的方法。在VQA和NLVR$^2$任务中，ALBEF相比当前最佳方法分别实现了2.37%和3.84%的绝对性能提升，并且具有更快的推理速度。代码和预训练模型可在https://github.com/salesforce/ALBEF/ 获取。