孟加拉语图像描述论文发布更新版本

Riad Ahmed Anonto、Sardar Md. Saffat Zabin 和 M. Saifur Rahman 在 arXiv 上发布了其孟加拉语图像描述生成论文的更新版本。该方法提出一种计算资源敏感的视觉语言流程，使用冻结的 MaxViT 作为视觉编码器、孟加拉语原生的 mBART-50 作为文本端，并配合轻量跨模态桥接模块。 训练数据为经 LaBSE 校验的英-孟平行图文对，加上 11 万张双语提示生成的合成图像。为改善视觉 patch 与孟加拉语文本的对齐，作者结合 Patch-Alignment Loss、InfoNCE 对比损失和 Sinkhorn 最优传输正则。 以上信息基于论文摘要，实验结果与性能对比材料未说明。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。