TIPSv2 : améliorer le pré-entraînement vision-langage par un meilleur alignement patch-texte

TIPSv2 est une approche de pré-entraînement vision-langage développée par Google DeepMind, qui améliore l'alignement entre les régions locales d'une image (patches) et les tokens textuels correspondants. La méthode vise à produire des représentations visuelles plus fines et mieux ancrées dans le langage, avec des gains mesurables sur plusieurs benchmarks multimodaux.