テキスト印刷画像：大規模ビジョン言語モデルのテキスト中心トレーニングのための画像-テキストモダリティギャップの橋渡し

この記事では、「テキスト印刷画像」と呼ばれる、大規模ビジョン言語モデルのトレーニングを改善するための方法を紹介しています。その核心は、効果的なテキスト中心のトレーニングに不可欠な、画像とテキストのモダリティ間のギャップに対処することです。この論文では、この方法が、視覚情報の中でテキストの理解と生成に大きく依存するタスクにおいて、モデルのパフォーマンスをどのように向上させるかを検討していると考えられます。