arXiv · cs.AI· Riad Ahmed Anonto, Sardar Md. Saffat Zabin, M. Saifur Rahman·· 6 小时前
基于跨注意力Patch对齐与对比及传输正则的孟加拉语图像描述生成
Align Where the Words Look: Cross-Attention-Guided Patch Alignment with Contrastive and Transport Regularization for Bengali Captioning
arXiv:2509.18369v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Riad Ahmed Anonto, Sardar Md. Saffat Zabin, M. Saifur Rahman
研究任务与主要进展
Riad Ahmed Anonto、Sardar Md. Saffat Zabin和M. Saifur Rahman提出一种面向孟加拉语图像描述生成的视觉语言模型流程，利用冻结的MaxViT、孟加拉语原生mBART-50和轻量跨模态桥接模块，结合Patch-Alignment Loss、InfoNCE与Sinkhorn最优传输正则改善真实图像和合成图像的视觉Patch对齐。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org