效果很好，文本增加一個詞，就能找到對應的分割地方，給出的無用標簽也不會去錯誤分割，而且能理解文本意思，例如dog和pet都能把狗給分割出來
image encoder使用DPT分割模型，大致架構為ViT+decoder，decoder的作用是把bottleneck feature慢慢upscale上去，得到特征圖
文本和圖片的特征圖的C一般為512或768
將兩個特征矩陣在C維度上相乘，得到HxWxN的矩陣，N是文本標簽個數
將最后的矩陣去和ground truth mask去做交叉熵，而不是像CLIP一樣做對比學習的loss，因此它不是一個無監督學習的工作，是有監督的
創新點在于把文本特征通過矩陣相乘融入圖像特征中
論文中text encoder沿用了凍結的CLIP text encoder，因為分割任務的數據集還是不夠大，fine-tune容易帶偏CLIP預訓練出的參數
spatial regularization block里是conv或者depthwise conv層，目的是為了多理解理解文本和視覺到底應該怎么去交互，2個block效果最好
)
