SigLIP 2：一款基于视觉语言模型PaliGemma的视觉编码器

SigLIP 2是Google DeepMind 提出的一种新型的多语言视觉-语言编码器，基于原始 SigLIP 的成功进行了改进和扩展。它通过结合多种先进的预训练技术和自监督损失函数（如自蒸馏、掩码预测等），以及在线数据筛选，显著提升了模型在多语言视觉-语言任务中的性能。

SigLIP 2功能特点：

1、多语言支持：

SigLIP 2 在多语言视觉-语言任务中表现出色，支持多种语言的零样本分类和图像-文本检索任务。

2、改进的训练方法：

通过引入基于字幕的预训练、自监督损失函数（如自蒸馏和掩码预测）以及在线数据筛选，SigLIP 2 在零样本分类、图像-文本检索和视觉-语言模型（VLM）的特征提取方面超越了原始 SigLIP。

3、多分辨率支持：

SigLIP 2 提供了多种分辨率的训练变体，并保留了输入图像的原始宽高比，特别适用于文档理解和屏幕内容等对宽高比敏感的应用。

4、密集特征提取：

通过结合自监督损失和基于解码器的损失函数，SigLIP 2 在密集特征提取任务（如分割和深度估计）中表现出色，同时在定位任务（如指代表达理解）中也有显著提升。

5、模型规模多样化：

为了平衡推理成本和性能，SigLIP 2 提供了四种不同规模的模型检查点：ViT-B（86M）、L（303M）、So400m（400M）和 g（1B）。

6、反向兼容性：

SigLIP 2 与原始 SigLIP 保持架构兼容，用户可以简单地替换模型权重和分词器（现在支持多语言），从而在多种任务中获得性能提升。

7、去偏技术：

SigLIP 2 在训练中采用了去偏技术，以减少文化多样性数据中的偏差，从而实现更平衡的性能。