Tag · 4 篇

图像描述生成

MTA: Multimodal Task Alignment for BEV Perception and Captioning

把 BEV 场景表征与真值语言表征做上下文对齐、并把检测输出与描述输出做跨模态提示对齐，是一种可在训练期插入、推理期零开销的多模态对齐插件，可直接迁移到其他 BEV 感知+语言生成联合框架中。

HUMORCHAIN: Theory-Guided Multi-Stage Reasoning for Interpretable Multimodal Humor Generation

把幽默理论中的认知结构显式嵌入多阶段推理链，用于视觉到语言的生成；其「视觉语义解析→理论引导推理→判别器打分」的可解释链条可迁移到需要认知深度或风格化表达的图像描述与多模态生成任务。

Enhancing Descriptive Captions with Visual Attributes for Multimodal Perception

把现成的视觉专家模型（深度、情绪、细粒度分类、HOI 检测）的输出作为属性注入 caption 生成流程，为 LMM 训练构造更细粒度的图文数据；做多模态数据合成或 caption 增强时可直接复用这套「专家模型拼装」思路。

CodePercept: Code-Grounded Visual STEM Perception for MLLMs

将可执行代码作为视觉感知的监督信号，通过图像到代码的生成任务迫使模型进行精确的视觉理解，为评估和增强多模态大模型的细粒度感知能力提供了新范式。