TDDN：面向拼图理解的对齐文本扩散 DINO 网络

研究者提出 TDDN，将 DINOv3 与 CleanDIFT 表示融合为感知编码器 DiffusedDINO，并与 RoBERTa-L 对齐，在冻结主干、仅用约 590K 对齐样本的情况下，在 Flickr30K 和 MS-COCO-2014 图文检索任务上超过 CLIP ViT-L/14。