图像描述

英文：Image Captioning　分类：multimodal

基本释义

为图像自动生成自然语言描述的任务。它要求识别主体、动作、关系与环境，是视觉-语言理解的经典任务。

技术要点

技术演进：CNN+LSTM（NIC）、注意力机制、目标检测辅助（属性关系）、多模态大模型（零样本描述+详细模式）；评测：CIDEr、BLEU、SPICE 与人工评分；风格可控（简短/详细/故事化）。

应用场景

用于无障碍（为盲人描述画面）、内容检索（图片转文字索引）、社交自动配文与多模态训练数据生成；描述质量是视觉语言模型的基础检验。

返回AI百科目录 · AI最前沿首页

相关词条：扩散模型 · 视觉编码器 · 语音合成 · LLaVA · OCR