Unifying Vision-Language Representation Space
                                    with Single-tower Transformer
                       Jiho Jang1     Chaerin Kong1        Donghyeon Jeon2    Seonhoon Kim3      Nojun Kwak1
                                   1                   2        3
                                     Seoul National University       NAVER      Coupang
arXiv:2211.11153v1 [cs.LG] 21 Nov 2022


                     Figure 1: A truly unified vision-language representation s ...