Personalizing Multimodal Large Language Models for Image Captioning: An Experimental Analysis
University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学);IIT-CNR(意大利国家研究委员会信息科学与技术研究所)
本文实验评估GPT-4V、Gemini等多模态LLM在图像描述基准上的零样本与提示学习、前缀微调、LoRA微调表现,发现其零样本能力强但领域适配与泛化难以兼顾。
2024-12-04 cs.AI cs.CL cs.CV
Culture-Aware Humorous Captioning: Multimodal Humor Generation across Cultural Contexts
Nanyang Technological University(南洋理工大学);Tongji University(同济大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文提出一种多模态幽默生成任务,通过文化意识标题生成模型在不同文化背景下生成幽默标题,改进了文化背景下的图像相关性、语境适配性和幽默质量。
2026-04-20 cs.CL cs.CV
Optimizing Multi-Agent Weather Captioning via Text Gradient Descent: A Training-Free Approach with Consensus-Aware Gradient Fusion
organization= School of Computer \& Information Technology , addressline= Northeast Petroleum University , addressline= No. 99 Xuefu Street, Ranghulu District , city= Daqing , state= Heilongjiang , postcode= 163318 , country= P.R. China
本文提出WeatherTGD框架,通过文本梯度下降方法优化天气描述生成,利用三个专业LLM智能体生成领域特定梯度,并通过共识感知梯度融合机制提升描述质量,实验表明其在LLM和人类评估中均优于现有方法。
2026-03-23 cs.CL
SonicCaps: Large-Scale Diverse and Fine-Grained Captioning for Improved Audio-Retrieval
Sony CTC(索尼CTC);LTCI, Telecom Paris, Institut polytechnique de Paris(巴黎综合理工学院电信学院LTCI)
该研究提出大规模音频字幕数据集SonicCaps,通过多模态大语言模型Qwen3-Omni生成约1500万条字幕,采用多字幕采样策略训练CLAP模型,提升了音频检索等任务的性能与泛化能力。
2026-09-03 cs.CL cs.MM cs.SD
DiaDem: Advancing Dialogue Descriptions in Audiovisual Video Captioning for Multimodal Large Language Models
New Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所模式识别新实验室);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Kling Team, Kuaishou Technology(快手科技 Kling 团队);Peking University(北京大学);Nanjing University(南京大学)
DiaDem通过合成高质量数据集和难度分区的两阶段GRPO策略,提升了音频视频字幕中的对话描述准确性,并在多种基准测试中表现出色。
2026-01-27 cs.CL
Apollo: Zero-shot MultiModal Reasoning with Multiple Experts
Technion(以色列理工学院);Bar Ilan University(巴伊兰大学)
Apollo提出一种零样本多模态推理框架,通过多专家基础模型去中心化协作执行复杂任务,无需提示工程或定制训练,在风格化图像描述和音频感知图像描述任务上优于半监督最先进模型。
2023-10-25 cs.AI cs.CL cs.CV
Visual Clues: Bridging Vision and Language Foundations for Image Paragraph Captioning
Microsoft(微软)
人们说:“一张照片胜过千言万语。那么我们怎样才能从图像中提取出丰富的信息呢?我们认为,通过使用视觉线索来桥接大型预训练视觉基础模型和语言模型,我们可以在没有任何额外的跨模态训练的情况下做到这一点。由于基础模型强大的zero-shot能力,我们首先构建图像的丰富语义表示(例如,图像标签、对象属性/位置、标题)作为结构化的文本提示,称为视觉线索,使用视觉基础模型。基于视觉线索,使用大语言模型对视觉内容进行一系列综合描述,然后再次通过视觉模型进行验证,选出与图像最匹配的候选项。我们通过定量和定性测量来评估生成的描述的质量。结果表明,这种结构化的语义表示的有效性。
2022-09-14 cs.AI cs.CL cs.CV
AlignCap: Aligning Speech Emotion Captioning to Human Preferences
University of Science and Technology of China(中国科学技术大学);Southern University of Science and Technology(南方科技大学)
针对语音情感描述中的幻觉与泛化问题,本文提出基于 LLM 的 AlignCap,通过语音-文本蒸馏对齐和人类偏好优化提升零样本描述性能。
2024-10-24 cs.CL cs.SD eess.AS
Large-Scale Bidirectional Training for Zero-Shot Image Captioning
LG AI Research(LG人工智能研究院);Shutterstock(Shutterstock公司)
本文提出 BITTERS 框架,通过大规模图文双向训练实现零样本图像描述,并构建兼顾描述准确性与社会偏见的评估基准及高效关键词提取微调方法。
2023-10-01 cs.CL cs.CV
Shotluck Holmes: A Family of Efficient Small-Scale Large Language Vision Models For Video Captioning and Summarization
Georgia Institute of Technology(佐治亚理工学院)
本文提出高效小型 LLVM 系列 Shotluck Holmes,通过改进预训练与数据策略使其理解帧序列,并在 Shot2Story 上以更小、更高效的模型取得领先性能。
2024-10-21 cs.CL cs.CV cs.LG
IFCap: Image-like Retrieval and Frequency-based Entity Filtering for Zero-shot Captioning
Hanyang University(汉阳大学)
本文提出IFCap框架,通过类图像检索缓解纯文本训练与图像推理间的模态鸿沟,结合融合模块与基于频率的实体过滤技术,显著提升了零样本图像与视频描述的性能。
2024-09-26 cs.AI cs.CL cs.CV
LMCap: Few-shot Multilingual Image Captioning by Retrieval Augmented Language Model Prompting
INESC-ID(里斯本系统与计算机工程研究所);Instituto Superior Técnico(高等技术学院);University of Lisbon(里斯本大学);University of Copenhagen(哥本哈根大学)
本文提出LMCap,一种无需多语言描述训练数据的少样本图像描述模型,通过多语言CLIP检索相似图像描述并提示XGLM生成目标语言描述,在XM3600上达到与全监督模型相当的性能。
2023-05-31 cs.CL cs.CV
Learning to Compose Topic-Aware Mixture of Experts for Zero-Shot Video Captioning
University of California, Santa Barbara(加州大学圣巴巴拉分校);The Ohio State University(俄亥俄州立大学)
虽然在视频描述中已经取得了有希望的结果,但现有的模型仅限于训练语料库中的固定活动清单,并且不推广到开放的词汇场景。在这里,我们介绍了一个新的任务,zero-shot视频描述,旨在描述看不见的活动的域外视频。不同活动的视频通常需要不同的字幕策略,如选词、语义构建、风格表达等,这对在没有配对训练数据的情况下刻画新颖的活动提出了很大的挑战。但与此同时,类似的活动在这些方面有一些共同之处。因此,本文提出了一种基于主题感知的混合专家模型(TAMoE),用于zero-shot视频描述,该模型能够根据不同的主题嵌入来组合不同的专家,将从可见活动中学习到的知识隐式地传递给不可见活动。此外,我们利用外部的主题相关的文本语料库来构建主题嵌入每个活动,它体现了主题内最相关的语义向量。实验结果不仅验证了该方法在利用语义知识进行视频描述方面的有效性,而且在描述新颖活动时也显示了其较强的泛化能力。
2018-11-23 cs.CL cs.CV cs.IR
Zero-shot audio captioning with audio-language model guidance and audio context keywords
University of Tübingen(图宾根大学);Tübingen AI Center(图宾根人工智能中心)
提出ZerAuCap框架,利用预训练大语言模型和音频-语言模型引导,结合音频上下文关键词,实现零样本音频描述生成,在AudioCaps和Clotho数据集上取得最优结果。
2023-11-14 cs.AI cs.CL cs.SD
TROPE: TRaining-Free Object-Part Enhancement for Seamlessly Improving Fine-Grained Zero-Shot Image Captioning
Arizona State University(亚利桑那州立大学)
针对细粒度零样本图像描述生成性能不足的问题,提出无训练对象部件增强(TROPE),利用检测器与NLP补充部件细节,无缝提升各方法性能并达到最先进水平。
2024-11-02 cs.CL cs.CV
EAMA : Entity-Aware Multimodal Alignment Based Approach for News Image Captioning
Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所);School of Electronics Engineering and Computer Science, Peking University(北京大学电子工程与计算机科学学院)
针对新闻图像描述中实体信息处理不足及文本输入充分性与简洁性权衡问题,提出EAMA方法,通过实体感知句子选择和实体选择两个对齐任务增强MLLM,在两个主流数据集上超越先前模型。
2024-09-20 cs.CL cs.CV
SBAT: Video Captioning with Sparse Boundary-Aware Transformer
College of Information Science & Electronic Engineering, Zhejiang University(浙江大学信息科学与电子工程学院);Baidu Research(百度研究院);Alibaba Group(阿里巴巴集团);Department of Computer Science, Binghamton University(宾汉姆顿大学计算机科学系)
本文主要研究如何将Transformer结构有效地应用于视频描述中。香草Transformer是为单模态语言生成任务,如机器翻译。然而,视频描述是一个多模态学习问题,视频特征在不同时间步长之间存在大量冗余。基于这些问题,我们提出了一种新的方法称为稀疏边界感知Transformer(SBAT),以减少冗余的视频表示。SBAT采用边界感知的池化操作,从不同的场景中选择不同的特征。此外,SBAT还包括一个局部相关方案,以补偿稀疏操作带来的局部信息损失。基于SBAT,我们进一步提出了一个对齐的跨模态编码方案,以提高多模态交互。在两个基准数据集上的实验结果表明,SBAT在大多数指标下都优于现有的方法。
2020-07-23 cs.CL cs.CV cs.LG
Transferable Decoding with Visual Entities for Zero-Shot Image Captioning
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Tencent(腾讯);Shanghai Jiao Tong University(上海交通大学);Southern University of Science and Technology(南方科技大学);The University of Hong Kong(香港大学)
提出ViECap可迁移解码模型,通过实体感知硬提示引导LLMs聚焦图像视觉实体,有效缓解对象幻觉,在零样本跨域及域内图像描述生成任务中均取得领先性能。
2023-07-31 cs.CL cs.CV
Style-Aware Contrastive Learning for Multi-Style Image Captioning
Australian AI Institute(澳大利亚人工智能研究所);University of Technology Sydney(悉尼科技大学)
现有的多风格图像描述方法在生成具有准确视觉内容和期望语言风格的字幕方面显示出有希望的结果。然而,现有的方法忽略了语言风格和视觉内容之间的关系。为了克服这个缺点,我们提出了风格感知的对比学习多风格的图像描述。首先,我们提出了一个风格感知的视觉编码器与对比学习挖掘潜在的视觉内容相关的风格。此外,我们提出了一个风格感知的三重对比度目标来区分图像,风格和标题是否匹配。为了给对比学习提供正样本和负样本,本文提出了三种检索方案:基于对象的检索、基于RoI的检索和基于三元组的检索,并设计了一个动态的权衡函数来计算检索得分。实验结果表明,我们的方法达到了最先进的性能。此外,我们进行了广泛的分析,以验证我们的方法的有效性。
2023-01-26 cs.CL cs.CV
RefineCap: Concept-Aware Refinement for Image Captioning
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Pittsburgh(匹兹堡大学)
图像到文本的自动翻译涉及到图像场景理解和语言建模。在本文中,我们提出了一种新的模型,称为RefineCap,使用解码器引导的视觉语义细化语言解码器的输出词汇,并隐式地学习视觉标签词和图像之间的映射。所提出的视觉概念细化方法可以允许生成器参加图像中的语义细节,从而生成更多的语义描述性字幕。与以前的基于视觉概念的模型相比,我们的模型在MS-COCO数据集上实现了卓越的性能。
2021-09-08 cs.CL
Zero-shot Visual Question Answering with Language Model Feedback
Renmin University of China(中国人民大学);Université de Montréal(蒙特利尔大学)
本文提出LAMOC方法,通过语言模型反馈引导captioning模型生成更符合任务目标的描述,在零样本知识型VQA中取得优于竞争方法的效果。
2023-05-26 cs.CL cs.CV
TADACap: Time-series Adaptive Domain-Aware Captioning
JP Morgan AI Research(摩根大通人工智能研究院)
针对现有时序图像captioning方法难以适应新领域且描述缺乏领域感知的问题,该研究提出TADACap框架,无需重新训练即可适应新领域生成领域感知caption,并提出TADACap-diverse检索策略,在保证语义准确性的同时减少标注工作量。
2025-04-15 cs.CL cs.CV
Entity-Faithful Repair of Synthetic Supervision for Zero-Shot Image Captioning
Guangxi University(广西大学);School of Computer, Electronics and Information(计算机与电子信息学院)
针对零样本图像描述中合成监督的实体级错位问题,提出即插即用框架ReCap,通过实体级重对齐与自适应加权策略优化合成数据,在两类基准上实现最优性能。
2026-08-04 cs.CL cs.CV
From Association to Generation: Text-only Captioning by Unsupervised Cross-modal Mapping
School of Computer and Information Technology, Beijing Jiaotong University(北京交通大学计算机与信息技术学院);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
针对CLIP难以用于生成任务且存在模态差距的问题,提出K近邻跨模态映射(Knight)零样本方法,通过纯文本无监督训练实现图像和视频字幕生成,达到最先进性能。
2023-05-08 cs.CL cs.CV cs.LG
Video Captioning with Boundary-aware Hierarchical Language Decoding and Joint Video Prediction
Nanyang Technological University(南洋理工大学)
互联网上视频数据的爆炸需要有效和高效的技术来自动为无法观看视频的人生成字幕。尽管视频描述研究取得了很大进展,特别是在视频特征编码方面,但语言解码器在很大程度上仍然基于流行的RNN解码器,如LSTM,它倾向于选择与视频一致的频繁词。在本文中,我们提出了一个边界感知的分层语言解码器的视频描述,它包括一个高层次的GRU为基础的语言解码器,作为一个全球(标题级)语言模型,和一个低层次的GRU为基础的语言解码器,作为一个本地(短语级)语言模型。最重要的是,我们在底层GRU语言解码器中引入了二进制门来检测语言边界。与其他先进的组件,包括联合视频预测,共享的软注意,和边界感知的视频编码,我们的集成视频描述框架可以发现分层的语言信息,并区分在一个句子中,这通常是混乱的语言生成的主题和对象。在两个广泛使用的视频描述数据集MSR-Video-to-Text(MSR-VTT)\cite{xu2016msr}和YouTube-to-Text(MSVD)\cite{chen2011collecting}上的实验表明,与现有方法相比,本文方法具有很强的竞争力.
2018-07-08 cs.CL cs.CV
SACT: Self-Aware Multi-Space Feature Composition Transformer for Multinomial Attention for Video Captioning
University of Florida(佛罗里达大学)
视频描述主要研究两个基本概念:特征检测和特征合成。虽然现代Transformers在构成特征上是有益的,但它们缺乏对内容的选择和理解的基本问题。随着特征长度的增加,包括用于改进相关内容的捕获的规定变得越来越重要。在这项工作中,我们引入了一个新的概念,自我意识的组成Transformer(SACT),能够产生多项式注意力(MultAtt),这是一种生成各种组合的帧的分布。此外,多头注意力转换器Transformer的工作原理是将所有可能的注意力内容组合起来,这对自然语言分类很好,但对视频描述有局限性。视频内容具有重复,并且需要解析重要内容以更好地内容合成。在这项工作中,我们已经引入了SACT更多的选择性注意,并结合他们为不同的注意力头更好地捕捉可用的内容,为任何应用程序。为了解决多样化的问题,并鼓励选择性利用,我们提出了自感知组合Transformer模型密集的视频描述和应用技术的两个基准数据集,如ActivityNet和YouCookII。
2020-06-25 cs.CL cs.CV cs.NE
Normalized and Geometry-Aware Self-Attention Network for Image Captioning
National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所模式识别国家重点实验室);University of Science and Technology Beijing(北京科技大学);Wuhan University(武汉大学);University of Chinese Academy of Sciences(中国科学院大学)
自注意网络在图像描述中显示出了重要的应用价值。为了提高图像描述的性能,本文从两个方面对SA进行了改进。首先,我们提出了标准化的自我注意力(NSA),SA的重新参数化,带来了SA内部规范化的好处。虽然规范化以前只适用于SA外,我们介绍了一种新的规范化方法,并证明它是可能的和有益的执行SA内的隐藏激活。其次,为了弥补Transformer的主要限制,它无法建模的输入对象的几何结构,我们提出了一类几何感知的自我注意(GSA),扩展SA显式和有效地考虑图像中的对象之间的相对几何关系。为了构建我们的图像描述模型,我们将这两个模块结合起来,并将其应用于香草自我注意力网络。我们广泛地评估我们的建议MS-COCO图像描述数据集和优越的结果相比,国家的最先进的方法时,取得了。在视频描述、机器翻译和视觉问答三个具有挑战性的任务上的进一步实验表明了我们方法的通用性。
2020-03-19 cs.CL cs.CV cs.MM
Re-ViLM: Retrieval-Augmented Visual Language Model for Zero and Few-Shot Image Captioning
UIUC(伊利诺伊大学厄巴纳-香槟分校);NVIDIA(英伟达公司);UT Austin(德克萨斯大学奥斯汀分校)
本文提出基于Flamingo的检索增强视觉语言模型Re-ViLM,通过外部数据库显式存储知识以减少参数并适应新数据,在域外零样本和少样本图像到文本生成任务中,以少于基线4倍的参数显著提升性能。
2023-10-22 cs.AI cs.CL cs.CV
Unleashing Text-to-Image Diffusion Prior for Zero-Shot Image Captioning
Sun Yat-sen University(中山大学);HiDream.ai Inc.(HiDream.ai公司)
本文提出PCM-Net,通过逐块跨模态特征混合机制和CLIP加权交叉熵损失缓解合成图像-文本语义错位,在零样本图像描述生成中取得域内与跨域领先性能。
2024-12-31 cs.CL cs.CV cs.LG
Zero-Shot Dense Video Captioning by Jointly Optimizing Text and Moment
KAIST AI(韩国科学技术院人工智能研究院);Korea University(高丽大学);Twelve Labs
本文提出零样本密集视频字幕方法 ZeroTA,通过联合优化软时刻掩码与 GPT-2 前缀参数并结合 CLIP 和时间 IoU 损失,在无训练标注情况下定位并描述多个视频事件。
2023-07-11 cs.CL cs.CV
CIC: A Framework for Culturally-Aware Image Captioning
Dongguk University(东国大学)
针对现有图像描述方法缺乏对文化元素详细描述的问题,提出文化感知图像描述框架CIC,通过生成文化问题、VQA提取视觉元素及LLM生成描述,人工评估表明其描述更具文化性。
2025-02-24 cs.AI cs.CL cs.CV
Adjudicated Captioning: Multi-Agent Alignment Scoring and Consensus-Distilled Beam Arbitration for Strict Zero-Shot Image Captioning
AI Platform OneNexus, OneMount(OneMount AI平台OneNexus);School of Electronic Engineering, Soongsil University(崇实大学电子工程学院);MoAdata(MoAdata公司);University of Economics Ho Chi Minh City (UEH)(胡志明市经济大学)
该研究提出裁决式字幕生成多智能体框架,通过多阶段对齐评分与共识蒸馏重排序,在不微调IFCap的情况下,显著提升COCO等数据集的零样本图像字幕生成性能,且可跨数据集迁移。
2026-08-03 cs.AI cs.CL cs.CV
Classifier-Guided Captioning Across Modalities
Tel Aviv University(特拉维夫大学);Bar-Ilan University(巴伊兰大学);NVIDIA(英伟达)
本文提出一种推理期文本分类器引导框架,利用 GPT-4 生成数据训练分类器,使冻结字幕模型适配音频等跨模态语义,并在零样本音频字幕生成上达到 SOTA。
2025-01-03 cs.AI cs.CL cs.SD
EmoTransCap: Dataset and Pipeline for Emotion Transition-Aware Speech Captioning in Discourses
Inner Mongolian University(内蒙古大学);State Key Laboratory of Autonomous Intelligent Unmanned Systems, Tongji University(同济大学 autonomous intelligent unmanned systems 状态关键实验室)
本文提出EmoTransCap,通过整合时间情感动态与对话级语音描述,解决现有系统在对话层面情感过渡识别不足的问题,提供大规模数据集和多任务模型以提升情感感知与表达。
2026-04-29 cs.CL cs.SD
Scaling Laws for Conditional Emergence of Multilingual Image Captioning via Generalization from Translation
针对视觉语言模型跨语言跨任务迁移的数据稀缺问题,研究编码器-解码器Transformer VLMs的多语言泛化能力,发现未见过的任务-语言对的间接学习遵循缩放定律,且该定律可扩展到下游任务并取得竞争性性能。
2025-11-16 cs.CL cs.LG
BiMol-Diff: A Unified Diffusion Framework for Molecular Generation and Captioning
Indian Institute of Technology Delhi(印度理工学院德里);Indian Institute of Technology Ropar(印度理工学院罗帕尔);Indian Institute of Science Bengaluru(班加罗尔印度科学研究院)
本文提出BiMol-Diff,一种统一的扩散框架,用于文本条件分子生成和分子描述任务,通过token-aware噪声调度提升分子结构-语言建模的保真度。
2026-04-27 cs.CL
Vid2Seq: Large-Scale Pretraining of a Visual Language Model for Dense Video Captioning
Google Research(谷歌研究院);Inria Paris(法国国家信息与自动化研究所巴黎分部);Département d’informatique de l’ENS(巴黎高等师范学院计算机系);CNRS(法国国家科学研究中心);PSL Research University(巴黎文理研究大学);DeepMind(深度思维);Czech Institute of Informatics, Robotics and Cybernetics at the Czech Technical University in Prague(捷克布拉格技术大学信息学、机器人学与控制论研究所)
在这项工作中,我们引入了Vid 2Seq,这是一个多模态单阶段密集事件字幕模型,它在叙事视频上进行了预训练,这些视频在规模上很容易获得。Vid 2Seq架构使用特殊的时间标记增强了语言模型,使其能够在相同的输出序列中无缝预测事件边界和文本描述。这样一个统一的模型需要大规模的训练数据,这是目前的注释数据集不可用。我们表明,它是可以利用未标记的叙述视频密集的视频描述,通过重新制定句子边界的转录语音作为伪事件边界,并使用转录的语音句子作为伪事件标题。在YT-Temporal-1B数据集上预训练的Vid 2Seq模型改进了各种密集视频描述基准测试的最新技术水平,包括YouCook 2,ViTT和ActivityNet字幕。Vid 2Seq还可以很好地推广到视频段落字幕和视频剪辑字幕的任务,以及Few-Shot设置。我们的代码可在https://antoyang.github.io/vid2seq.html上公开获取。
2023-03-21 cs.AI cs.CL cs.CV
Transform and Tell: Entity-Aware News Image Captioning
Australian National University(澳大利亚国立大学)
我们提出了一个端到端的模型,生成标题嵌入在新闻文章中的图像。新闻图像面临两个关键挑战:它们依赖于现实世界的知识,特别是关于命名实体的知识;它们通常具有语言丰富的标题,其中包括不常见的单词。我们通过多模态、多头注意力机制,将字幕中的单词与图像中的人脸和物体相关联,来解决第一个挑战。我们用最先进的Transformer语言模型来解决第二个挑战,该模型使用字节对编码来生成标题作为单词部分的序列。在GoodNews数据集上,我们的模型在CIDER评分(13至54)方面优于之前的最新技术水平4倍。这种性能提升来自于语言模型、单词表示、图像嵌入、人脸嵌入、对象嵌入以及神经网络设计改进的独特组合。我们还介绍了NYTimes 800 k数据集,它比GoodNews大70%,具有更高的文章质量,并包括文章中图像的位置作为额外的上下文线索。
2020-06-13 cs.CL cs.CV
PromptCap: Prompt-Guided Task-Aware Image Captioning
University of Washington(华盛顿大学);Microsoft(微软);Allen Institute for AI(艾伦人工智能研究所);University of Rochester(罗切斯特大学)
本文提出 PromptCap,通过问题提示生成任务感知图像描述,以连接图像与黑盒 GPT-3,并在知识型 VQA 上取得最优准确率。
2023-08-17 cs.CL cs.CV
Rule-driven News Captioning
School of Electrical and Information Engineering, Tianjin University(天津大学电气与信息工程学院)
本文提出规则驱动的新闻标题生成方法,通过设计新闻感知语义规则并注入BART模型,引导生成符合新闻报道规则的图像描述,在GoodNews和NYTimes800k数据集上验证了有效性。
2024-03-14 cs.AI cs.CL
CONCAP: Seeing Beyond English with Concepts Retrieval-Augmented Captioning
Department of Natural Language Processing, MBZUAI(自然语言处理部门,MBZUAI);INESC-ID, Instituto Superior Técnico, University of Lisbon(INESC-ID,理工学院,里斯本大学)
针对多语言图像描述中训练数据不足及翻译检索描述存在偏差的问题,提出CONCAP模型,通过融合图像特定概念与检索描述,在XM3600上以更低数据需求提升低、中资源语言表现。
2025-07-27 cs.CL
Scaling Up Vision-Language Pre-training for Image Captioning
Microsoft(微软)
近年来,基于视觉语言预训练(VLP)的图像描述任务的性能得到了显著提高。规模被认为是这一进步的重要因素。然而,大多数现有的工作只集中在预训练具有中等大小的Transformers(例如,12或24层),大约400万张图像。在本文中,我们提出了LEMON,一个大规模的图像captiONer,并提供了第一个实证研究的缩放行为的VLP的图像描述。我们使用最先进的VinVL模型作为我们的参考模型,该模型由图像特征提取器和Transformer模型组成,并将Transformer上下缩放,模型大小从1300万到6.75亿参数不等。在数据方面,我们进行了多达2亿的图像-文本对,这是自动收集的基础上的alt属性的图像(称为ALT 200 M)从Web上的实验。随着模型大小和预训练数据大小的增加,广泛的分析有助于表征性能趋势。我们还比较了不同的训练配方,特别是在大规模噪声数据上的训练。因此,LEMON在几个主要的图像描述基准上达到了新的技术水平,包括COCO Caption、nocaps和Conceptual Captions。我们还表明,LEMON可以产生长尾视觉概念的字幕时,在zero-shot的方式使用。
2022-03-26 cs.CL cs.CV
AFRICAPTION: Establishing a New Paradigm for Image Captioning in African Languages
ML Collective;Ashesi University(阿什esi大学);Abubakar Tafawa Balewa University(阿布巴克尔·塔法瓦·巴勒瓦大学)
本文提出AfriCaption框架,通过基于Flickr8k的20种非洲语言对齐数据集、质量保持流水线及集成SigLIP与NLLB200的0.5B参数模型,构建首个可扩展的非洲语言图像描述资源。
2025-10-20 cs.AI cs.CL
Retrieval-Augmented Long-Context Translation for Cultural Image Captioning: Gators submission for AmericasNLP 2026 shared task
University of Florida(佛罗里达大学)
本文提出了一种基于检索的长上下文翻译方法,用于文化图像描述,通过两阶段流程生成西班牙语中间描述,再利用检索增强的多示例提示生成目标语言描述,显著提升了Bribri、Guaraní和Orizaba Nahuatl语言的描述生成性能,并在共享任务中获得冠军。
2026-05-20 cs.AI cs.CL cs.CV
ZeroNLG: Aligning and Autoencoding Domains for Zero-Shot Multimodal and Multilingual Natural Language Generation
Peking University Shenzhen Graduate School(北京大学深圳研究生院);Pengcheng Laboratory(鹏城实验室);University of Oxford(牛津大学);Oxford-Suzhou Centre for Advanced Research(牛津-苏州高等研究院);Tencent AI Lab(腾讯AI实验室)
提出零样本学习框架ZeroNLG,通过将跨模态与跨语言域投影并对齐到共享潜在空间,并构建无监督多语言自编码器,在无需任何标注下游配对数据的情况下统一处理图像描述、视频描述和机器翻译等多种NLG任务,显著优于现有零样本方法。
2024-06-03 cs.AI cs.CL cs.CV
SMArT: Training Shallow Memory-aware Transformers for Robotic Explainability
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);Department of Engineering “Enzo Ferrari”(恩佐·法拉利工程系)
生成以视觉感知为条件的自然语言解释的能力是走向能够解释自己并与人类交流的自主智能体的关键一步。虽然在图像和视频描述字幕的研究工作给出了有希望的结果,这往往是在牺牲的计算要求的方法,限制了它们的适用性,以真实的情况下。在本文中,我们提出了一个全注意力字幕算法,可以提供最先进的性能语言生成,同时限制其计算需求。我们的模型的灵感来自于Transformer模型,在编码和解码阶段只使用了两个Transformer层。此外,它结合了一种新的记忆感知编码的图像区域。实验表明,我们的方法取得了竞争力的结果,在字幕质量,同时具有减少计算需求。此外,为了评估其适用于自主智能体,我们进行实验的模拟场景,从家庭机器人的角度来看。
2020-03-09 cs.CL cs.CV cs.RO
Video Summarization: Towards Entity-Aware Captions
Columbia University(哥伦比亚大学);Google(谷歌公司)
针对新闻视频字幕缺乏命名实体的问题,提出实体感知字幕任务,发布VIEWS数据集,并利用外部知识增强视觉信息,在三个模型上验证有效性。
2024-11-11 cs.AI cs.CL cs.CV