一、背景与挑战：跨模态特征对齐的必要性 在多模态任务（如图像描述生成、视觉问答）中，ViT负责提取图像的视觉特征，Text Transformer负责处理文本的语义特征。然而，两者的特征空间存在天然差异： 模态差异：视……
