BridgeTower — англоязычная модель для построения и сопоставления совместных представлений изображений и текста, применимая к поиску изображений и задачам vision-language.

Подходит для: поиск изображений по текстовому описанию · сопоставление изображения с подписью · извлечение совместных признаков изображения и текста