以场景图为枢轴：基于视觉场景幻觉的推理时无图像无监督多模态机器翻译
Scene Graph as Pivoting: Inference-time Image-free Unsupervised Multimodal Machine Translation with Visual Scene Hallucination
AI总结：
本文提出以场景图为枢轴的无监督多模态机器翻译方法，通过视觉场景幻觉机制在推理时从文本场景图生成伪视觉场景图，在Multi30K上显著超越基线BLEU分数。
摘要：
在这项工作中，我们研究了一种更贴近现实的无监督多模态机器翻译（UMMT）设置，即推理时无图像UMMT，其中模型使用源文本-图像对进行训练，而测试时仅使用源文本输入。首先，我们使用视觉场景图和语言场景图（SG）来表示输入图像和文本，这种细粒度的视觉-语言特征确保了对语义的整体理解。为了使推理时能够使用纯文本输入，我们设计了一种视觉场景幻觉机制，该机制根据给定的文本场景图动态生成伪视觉场景图。我们引入了若干基于场景图枢轴（SG-pivoting）的学习目标用于无监督翻译训练。在基准数据集Multi30K上，我们基于场景图的方法在该任务和设置下以显著的BLEU分数超越了表现最佳的基线，有助于在不依赖配对图像的情况下生成具有更好完整性、相关性和流畅性的翻译。进一步的深入分析揭示了我们的模型在该任务设置中如何取得进展。
英文摘要：
In this work, we investigate a more realistic unsupervised multimodal machine translation (UMMT) setup, inference-time image-free UMMT, where the model is trained with source-text image pairs, and tested with only source-text inputs. First, we represent the input images and texts with the visual and language scene graphs (SG), where such fine-grained vision-language features ensure a holistic understanding of the semantics. To enable pure-text input during inference, we devise a visual scene hallucination mechanism that dynamically generates pseudo visual SG from the given textual SG. Several SG-pivoting based learning objectives are introduced for unsupervised translation training. On the benchmark Multi30K data, our SG-based method outperforms the best-performing baseline by significant BLEU scores on the task and setup, helping yield translations with better completeness, relevance and fluency without relying on paired images. Further in-depth analyses reveal how our model advances in the task setting.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
