多模态预训练数据

利用视觉属性增强描述性图像标题以提升多模态感知

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。