비전-언어 모델(Vision-Language Model)

요약

VLM(Vision-Language Model)은 이미지와 같은 시각 정보와 텍스트를 동시에 처리하며 이들 간의 관계를 학습하는 AI 모델입니다. 이는 Vision encoder, Multimodal connection 등을 거쳐 작동하며, 시각 기반 설명 생성(Vision-to-text), 텍스트 기반 콘텐츠 생성(Text-to-Vision) 등 다양한 방식으로 활용됩니다.

핵심 포인트

• VLM은 시각 정보와 언어 정보를 연결하여 학습하는 모델입니다.
• 작동 과정에는 Vision encoder, Multimodal connection 등이 핵심 역할을 합니다.
• 주요 유형으로는 Vision-to-text, Text-to-Vision, Cross-modal 검색이 있습니다.