请问 image-text align train 是什么训练方式

最近看目标检测论文时，总是提到 image-text align train 这种训练方式。能给我简单讲解一下吗，或则提供一下最初提出这种方式的论文题目

https://faculty.sist.shanghaitech.edu.cn/faculty/tukw/naacl22ita.pdf应该是这个，直接搜就出来这个论文