blip

BLIP：通过语言-图像联合预训练实现统一视觉语言理解与生成

本仓库为BLIP论文的PyTorch实现代码。

引用声明

若您认为本代码对研究有所帮助，请考虑引用：

@misc{li2022blip,
      title={BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation}, 
      author={Junnan Li and Dongxu Li and Caiming Xiong and Steven Hoi},
      year={2022},
      eprint={2201.12086},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

致谢

BLIP的实现基于ALBEF、Huggingface Transformers和timm的开源资源，特此向原作者致谢。