关于论文思想的一些问题

[showmeyourcodehaha]

您的论文中最重要的模块之一就是Similarity-Based Modality Alignment，实际上就是融合两个模态特征和learnable token，我想问一下在这里learnable token究竟是起到怎样一个作用呢？我最初是觉得可能就是模仿CoOp流程，思想上使用一个learnable token达到一个特征增强的效果，但是后来我发现您的这个learnable token跟CoOp中的也不太一样。除了是多模态的以外，CoOp中学习learnable token的时候，模型的其它部分（所有的encoder）都是冻住的，但是您这里的方法却是一同学习它们。而且CoOp中实际上是把learnable token当作了文本，放进text encoder进行特征提取，但您这里似乎认为learnable token自成一个模态，并且也不再使用encoder提取特征，而是直接把其当作一个特征层面的东西进行学习。您能大致解释一下您这样做的思路吗？或者说这么作是出于什么目的？