工作记录 4.1

Mind-Eye(NIPS 2023 spotlight)：

https://arxiv.org/abs/2305.18274

该方法，会预测图像经过 CLIP vision encoder 后的全部特征（用于），但不是用岭回归方法。

MLP backbone：4个残差块+线性投射层

其实总结一下，FMRI -> text or image 的几乎所有方法，都是变相的一种知识蒸馏。

ViLD：

Glip（Vision grounding）：

Faster-RCNN：

DETR：

BEVDistill：

DistillBEV（更精细的蒸馏）：

架构：