CoCa: Contrastive Captioners are Image-Text Foundation Models

• 类型：arxiv
• 标识：2205.01917
• 链接：https://arxiv.org/abs/2205.01917
• 主题：multimodal
• 主分类：multimodal
• 形态：method
• 被引：1813
• 被引来源：Semantic Scholar
• S2被引：1813
• OpenAlex被引：516
• 影响力被引：147
• TLDR：Contrastive Captioner (CoCa), a minimalist design to pretrain an image-text encoder-decoder foundation model jointly with contrastive loss and captioning loss, thereby subsuming model capabilities from contrastive approaches like CLIP and generative methods like SimVLM.
• OpenAlex ID：W4229042118
• OpenAlex DOI：10.48550/arxiv.2205.01917
• DOI：10.48550/arxiv.2205.01917
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2205.01917
• OpenAlex更新：2026-08-07
• 待LLM分类：否
• 成熟度：research
• 场景：image-text、contrastive learning、foundation model
• 标题中文：CoCa: Contrastive Captioners are Image-Text Foundation Models
• TLDR中文：Contrastive Captioner (CoCa) 采用极简设计，对图文编码器-解码器基础模型联合使用对比损失与字幕损失进行预训练，从而兼具 CLIP 等对比方法与 SimVLM 等生成方法的能力。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]