テキスト条件付きJEPAによるセマンティック豊かなビジュアル表現の学習

ニュース概要

画像ベースの Joint-Embedding Predictive Architecture（I-JEPA）は、マスク付き特徴予測を通じた視覚的自己教師あり学習への有望なアプローチを提供している。しかし、固有の視覚的不確実性を伴っている。