PulseAugur
中
实时 07:29:00
English(EN) ReLoop-UME: Recurrent Depth with Learnable Retrieval Registers for Universal Multimodal Embedding

ReLoop-UME 通过循环深度和检索寄存器推进多模态嵌入

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的通用多模态嵌入方法 ReLoop-UME，该方法提高了效率和性能。该方法在模型深度之间重用了参数共享的检索形成块，并利用可学习的检索寄存器来累积证据。与现有模型相比，这种循环过程可以实现更快的检索和更好的特征形成。ReLoop-UME 在 MMEB-V2 和 MRMR 等基准数据集上展示了显著的速度提升和更好的检索准确性。 AI

影响 这种新架构可能带来更高效、更准确的多模态人工智能系统，从而提高需要整合不同数据类型的任务的性能。

排序理由 该集群包含一篇详细介绍新模型架构及其性能的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

ReLoop-UME 通过循环深度和检索寄存器推进多模态嵌入

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Shijie Wang, Xiangzhao Hao, Yueti Li, Guangyu Cao, Xinyu Tang, Haiyun Guo ·

    ReLoop-UME：具有可学习检索寄存器的循环深度，用于通用多模态嵌入

    arXiv:2607.28751v1 Announce Type: new Abstract: Universal multimodal embedding (UME) maps heterogeneous multimodal inputs into a shared embedding space. Existing UME models either form embeddings through single forward encoding or add computation through explicit rationale tokens…

相关实体

相关话题