BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation

• 类型：arxiv
• 标识：2201.12086
• 链接：https://arxiv.org/abs/2201.12086
• 主题：multimodal
• 主分类：multimodal
• 形态：method
• 被引：7222
• 被引来源：Semantic Scholar
• S2被引：7222
• OpenAlex被引：870
• 影响力被引：749
• TLDR：BLIP effectively utilizes the noisy web data by bootstrapping the captions, where a captioner generates synthetic captions and a filter removes the noisy ones, and demonstrates strong generalization ability when directly transferred to video-language tasks in a zero-shot manner.
• OpenAlex ID：W4226182655
• OpenAlex DOI：10.48550/arxiv.2201.12086
• DOI：10.48550/arxiv.2201.12086
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2201.12086
• OpenAlex更新：2026-08-23
• 副分类：engineering
• 待LLM分类：否
• 标题中文：BLIP: 面向统一视觉-语言理解与生成的引导式语言-图像预训练
• TLDR中文：BLIP 通过引导式 caption 方式有效利用含噪网络数据，由 captioner 生成合成 caption，并由 filter 去除噪声样本；在以零样本方式直接迁移到视频-语言任务时，展现出强大的泛化能力。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]