Припущення, що глибокі моделі, навчені на різних модальностях (текст і зображення), створюють простори представлень із подібною геометричною структурою для однакових концептів.

Вимога, щоб розміри файлів текстових описів та зображень були абсолютно однаковими в байтах.

Математичне правило, згідно з яким кількість шарів у текстовому енкодері повинна дорівнювати кількості шарів у візуальному енкодері.

Процес перетворення будь-якого зображення у вектор, що складається виключно з нулів та одиниць.