会员服务
图像字幕（Image Captioning）,是指从图像生成文本描述的过程，主要根据图像中物体和物体的动作。
One Reference or Many? Rethinking Multi-Reference Training for Intermediate-Entropy Text Generation
Arxiv
0+阅读 · 10月15日
Metric-Driven Reinforcement Learning for Object Hallucination Reduction in LVLM-Based Image Captioning
Arxiv
0+阅读 · 10月10日
A Glance Is All You Need: Single-Pass Fine-Grained Image Captioning with SimLoss
Arxiv
0+阅读 · 9月29日
RAH-VLA: Resolution-Adaptive Hierarchical Vision-Language Alignment for Multimodal Remote Sensing Understanding
Arxiv
0+阅读 · 9月5日
Search-Based Metamorphic Testing of Vision-Language Models in Autonomous Underwater Robotic Software
Arxiv
0+阅读 · 9月15日
Controllable Image Captioning with Prompt-Conditioned Scene Rewards
Arxiv
0+阅读 · 9月1日
A Glance Is All You Need: Single-Pass Fine-Grained Image Captioning with SimLoss
Arxiv
0+阅读 · 9月1日
QR-Structured Thermal Triggers for Targeted Semantic Attacks on Infrared Vision-Language Models
Arxiv
0+阅读 · 7月31日
Towards Clinically Faithful Medical Image Captioning via Enhanced Vision-Language Alignment
Arxiv
0+阅读 · 8月20日
Mapping Written Words to Spoken Words in a Different Language Using Only Visual Grounding
Arxiv
0+阅读 · 8月27日
VisChronos: Revolutionizing Image Captioning Through Real-Life Events
Arxiv
0+阅读 · 6月23日
VDAWorld: World Modelling via VLM-Directed Abstraction and Simulation
Arxiv
0+阅读 · 6月19日
Hierarchical Multi-Modal Retrieval for Knowledge-Grounded News Image Captioning
Arxiv
0+阅读 · 6月17日
Do Multimodal RAG Systems Leak Data? A Comprehensive Evaluation of Membership Inference and Image Caption Retrieval Attacks
Arxiv
0+阅读 · 5月5日
Think Twice Before You Judge: Mixture of Dual Reasoning Experts for Multimodal Sarcasm Detection
Arxiv
0+阅读 · 2025年10月29日
参考链接
微信扫码咨询专知VIP会员
Top