视觉理解作为语义语言

本文提出了一个关于视觉表征学习的新颖视角，将其框架化为一个依赖于视觉离散语义语言的过程。它认为，视觉理解需要一个结构化的表征空间，类似于纤维束，其中语义意义与干扰变化区分开来。本文的重要性在于其理论框架，该框架与大型模型中的经验观察结果一致，并为理解视觉表征学习提供了拓扑视角。

• •假设视觉理解依赖于离散语义语言。
• •视觉观察空间被构造为类似纤维束的结构。
• •语义不变性需要一个判别目标（例如，标签）。
• •语义抽象需要能够进行拓扑变化的模型架构（扩展和捕捉）。