本篇论文提出了一个通用的视觉语言模型（命名为UNICORN），该模型将文本生成和bbox预测统一在一个模型结构中。针对下述的4个任务，本模型在7个VL benchmarks上面都达到了和sota可比较的结果。
（1）visual grounding：给出一张图像和一个物体描述，生成该物体的bbox；
（2）grounded image captioning：对给定的图像自动生成一句话描述图像内容，同时预测出描述中名词对应的目标位置；
（3）visual question answering
（4）image captioning：图像描述生成
启发：
该模型主要受到了Pix2seq模型的启发。Pix2seq模型是一个简单而通用的目标检测框架，首先Pix2seq采用了一种离散化方案将目标的bbox位置转换成离散的token序列，然后采用了编码器-解码器的结构来预测该token序列，进而将预测结果在词汇表中寻找对照，转换成目标的检测框位置和类别。Pix2seq模型将目标检测转化为一个语言建模任务，能够很容易地将文本序列结合进去，因此本文作者受到启发，建立了UNICORN模型。
模型结构：
- 图像encoder：采用一个通用的卷积网络提取图像特征；文本encoder：采用一个通用的文本encoder模型提取文本特征；多模态encoder-decoder：将图像特征和文本特征结合起来作为输入，采用transformer encoder-decoder结构来预测目标序列；目标序列：
- 如果是针对grounded image captioning任务，不仅需要生成图像描述，还需要预测出目标位置。目标位置的预测需要对gt进行box位置序列化：将box的xyxy位置，划分到200个bins内，完成序列化；如上图所示，一个box的位置坐标为[600.5,331.6,1227.7,721.2]，通过序列化之后，将位置坐标映射为了[90,84,184,180]。作者在将目标位置和图像描述结合起来时，还采用两个特殊的token来标记目标名称，分别是
原始序列：A woman is manipulating dishes in a dishwasher with a man and another woman next to her . 目标序列：A woman <35> <56> <101> <199> is manipulating dishes <79> <144> <99> <179> in a dishwasher <76> <178> <113> <199> with a man <91> <13> <181> <199> and another woman <156> <37> <195> <199> next to her .
评价：
该模型不需要针对不同的问题设计不同的head，采用一个统一的结构就能够在不同的vl任务上取得和sota可比较的效果，具有启发意义。
