简约科技风多模态图像描述生成架构图技术流程展示插画

绘制一张标题为 “图5-2：基于 ViT-S + Q-Former + Qwen2-3B 的多模态图像描述生成架构” 的学术级模型架构图。要求如下：整体风格：简洁、专业、白底、无阴影，使用浅色系配色（淡蓝、淡绿、淡灰、浅橙），扁平化图标，英文或清晰中文字体。布局方向：横向从左到右，展示清晰的数据流。核心思想标注：在图顶部用小字注明：“分层特征提取与融合范式：密集网格特征 → 稀疏语义查询 → 条件文本生成”。模块与数据流（从左到右）输入（椭圆形，浅蓝色 #D6EAF8）标注：“输入图像”视觉编码器：ViT-S（矩形，浅绿色 #D5F5E3）内部标注：“ViT-S（冻结）”旁注小字（灰色）：“ImageNet-21k 预训练，输出 V_grid ∈ ℝ^(N×D_v)”输出箭头标注：“密集网格特征 V_grid”模态对齐模块：Q-Former（矩形，浅橙色 #FDEBD0，作为核心创新组件高亮）内部结构示意（可用简化的双流图示）：左侧：可学习查询向量 Q（小圆点阵列，标注“M 个可学习查询”）中间：双向箭头连接 V_grid 与 Q，标注“交叉注意力”右侧：Q 向量内部环形箭头，标注“自注意力”输出标注：“视觉语义令牌 Z_visual ∈ ℝ^(M×D_h)”旁注小字（灰色）：“稀疏、语义丰富，维度对齐语言模型”语言解码器：Qwen2-3B（矩形，浅蓝色 #EBF5FB，略宽以示重要性）内部标注：“Qwen2-3B（初始冻结）”输入示意：左侧接入 Z_visual，右侧接入文本提示（如“描述图中人物：”）旁注小字（灰色）：“Z_visual 作为视觉前缀，条件自回归生成文本”输出（椭圆形，浅蓝色 #D6EAF8）标注：“自然语言描述”连接与箭头规范所有主数据流使用 粗实线箭头（→），从左至右依次连接：输入图像 → ViT-S → Q-Former → Qwen2-3B → 输出描述在 ViT-S 和 Qwen2-3B 模块上方添加 锁形图标 或文字 “冻结”，表示预训练权重固定在 Q-Former 模块周围可加 虚线边框 或“核心创新”标签，突出其关键作用