1、Abstract

• 提出了VLT框架，以促进多模态信息之间的深度交互，并增强对视觉语言特征的整体理解。

• 为了应对语言表达的随机性和巨大多样性，提出一个Query Generation Module动态地产生多组特定于输入的queries来表示语言表达的不同comprehensions。

• 为了在这些不同的comprehensions中找到最好的，从而生成更好的掩码，我们提出了一个Query Balance Module来选择性地融合query集合的相应响应。

• 为了提高模型处理不同语言表达的能力，我们考虑inter-sample learning，明确赋予模型去理解同一object但不同语言表达的知识。

• 我们引入masked contrastive learning来缩小同一目标不同表达的特征的距离，同时更加区分不同对象的特征。
  

2、整体架构

3、Spatial-Dynamic Multi-Modal Fusion

• 对视觉特征和语言特征进行多模态融合
• 现有方法：首先，这一步没有充分利用单个单词的特征。其次，平铺的语言特征对于图像特征上的所有像素来说都是相同的，这削弱了语言信息和视觉信息之间的相关性所携带的位置信息。
  
• Spatial-Dynamic Fusion (SDF) module：根据语言信息与相应像素信息之间的相互作用，为图像特征的不同位置产生不同的语言特征向量。
  
  

4、Query Generation Module

• 不采用fixed queries：这种固定的可学习的queries没有考虑referring segmentation的巨大多样性（输入图像和语言表达都是不受约束的，随机性非常高）；只是去检测整个图像中的所有目标，而非去关注language expression所指代的目标；不能提供有效的包含目标的信息

• 因此，采用了QGM，根据输入图像和language自适应的生成特定于input的queries（例如捕获关键信息，“blue/yellow”, “small/large”, “right/left”等）

• QGM同时要加入图像的视觉信息，例如：只对language做self-attention无法区分“large”和“left”的重要性，因此在视觉信息的帮助下，生成多个不同的queries，表示给定language下的具有不同emphasized words的理解
  
  
  

5、Query Balance Module

• 输入：QGM模块生成的Fq和decoder的Response Fr
• 得到的Cq与Fr进行weighting，Cq表示的是Nq个query vector的confidence 分数，反映该vector与图像上下文以及预测的拟合程度，weighting是控制Fr对于mask decoding的影响
• QGM+QBM：生成具有不同emphasis的queries+有选择性的融合这些queries到response中，协同工作，加强对vision和language的多样性的理解
  

6、Mask Decoder

7、Masked Contrastive Learning

8、可视化结果