arXiv Computer Vision· Riad Ahmed Anonto, Sardar Md. Saffat Zabin, M. Saifur Rahman·· 4 小时前AI 评分22
用交叉注意力引导 Patch 对齐：对比与传输正则化的孟加拉语图像描述方法
Align Where the Words Look: Cross-Attention-Guided Patch Alignment with Contrastive and Transport Regularization for Bengali Captioning
AI 导读
研究提出一种面向孟加拉语的图像描述流水线，在 LaBSE 验证的 EN-BN 句对与 11 万张双语提示合成图像上训练，冻结 MaxViT 提取视觉 patch，由孟加拉语原生 mBART-50 解码，并用轻量桥接层连接两模态。
来源：arXiv Computer Vision · arxiv.org