认知韧性：揭示图像描述模型解读掩码视觉内容的能力
Cognitive resilience: Unraveling the proficiency of image-captioning models to interpret masked visual content
AI总结：
本研究探讨了图像描述（IC）模型解读掩码视觉内容的能力，发现即使存在掩码，模型仍能生成与原始内容高度相似甚至更丰富的描述，且在重要区域未被高覆盖率掩码时表现良好。
摘要：
本研究探讨了图像描述（IC）模型解码来自不同数据集的掩码视觉内容的能力。我们的发现表明，IC模型能够从掩码图像中生成与原始内容高度相似的描述。值得注意的是，即使存在掩码，模型也能熟练地生成描述性文本信息，这些信息甚至超越了原始图像生成描述中可观察到的内容。尽管IC模型的解码性能随着掩码区域面积的增加而下降，但当图像的重要区域未被高覆盖率掩码时，模型依然表现良好。
英文摘要：
This study explores the ability of Image Captioning (IC) models to decode masked visual content sourced from diverse datasets. Our findings reveal the IC model's capability to generate captions from masked images, closely resembling the original content. Notably, even in the presence of masks, the model adeptly crafts descriptive textual information that goes beyond what is observable in the original image-generated captions. While the decoding performance of the IC model experiences a decline with an increase in the masked region's area, the model still performs well when important regions of the image are not masked at high coverage.
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。
