多模态图片检索是计算机视觉和多模态机器学习领域很重要的一个任务。现在大家做多模态图片检索一般会用 CLIP/SigLIP 这种视觉语言大模型，因为他们经过了大规模的预训练，所以 zero-shot 的能力比较强。
牛津 VGG ，港大，上交大团队这篇论文旨在提供一种方法，能够用学术界的资源来增强视觉语言大模型的预训练 (Enhance Language-Image Pre-training)，使得其可以更好地用于文字 - 图片检索。这篇论文被 IEEE 国际基于内容的多媒体索引大会（IEEE International Conference on Content-Based Multimedia Indexing）接受，并被评选为最佳论文提名，大会近期在爱尔兰都柏林召开。
