arXiv 新增 + ECCV + input-level VLM alignment · P2 · 2026-06-20

Timage：它和通用视觉自监督的关系在于：把 query 渲染进图像作为显式空间锚点，提醒 VLM 对齐可以发生在输入重构层

中相关；详见方法、贡献和实验边界。

Timage: A Generative Text-in-Image Paradigm for Fine-Tuning Vision-Language Models　arXiv 新增 + ECCV + input-level VLM alignment　原文链接

编号2606.19944 优先级P2 类别arXiv 新增 + ECCV + input-level VLM alignment 会议arXiv 新增 + ECCV + input-level VLM alignment 方法把 query 渲染进图像作为显式空间锚点，提醒 VLM 对齐可以发生在输入重构层来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 query 渲染进图像作为显式空间锚点，提醒 VLM 对齐可以发生在输入重构层。中相关；详见方法、贡献和实验边界。

**A:Cat Fig**A:Cat Fig. 3. Qualitative comparison showing the benefit of Timage. Left: random question embedding covers irrelevant content and misleads the model to “Book”. Right: cSB renders a semantically grounded, non-occluding overlay that preserves foreground saliency and guides attention to the window region, yielding the correct “Cat”.这张图/表用于判断 Timage 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

**Figureure 2 · Overview of Timage**Fig. 2. Overview of Timage. From an image and its question we build a feasible manifold Ω through an Admissible Mask that merges semantic relevance with a hard non-occlusion prior. A Constrained Schr¨odinger Bridge then renders the inlaid text via a projected stochastic process, guaranteeing both geometric validity and downstream accuracy.这张图概括 Timage 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

核心问题

它和通用视觉自监督的关系在于：把 query 渲染进图像作为显式空间锚点，提醒 VLM 对齐可以发生在输入重构层。

方法拆解

把 query 渲染进图像作为显式空间锚点，提醒 VLM 对齐可以发生在输入重构层

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。