ImageSet2Text: 通过文本描述图像集合
计算机视觉与模式识别
2025-11-14 v2
摘要
在大规模视觉数据时代，理解图像集合是一项具有挑战性又重要的任务。为此，我们引入 ImageSet2Text，这是一种用于自动生成图像集合自然语言描述的新方法。基于大型语言模型、视觉问答链、外部词汇图谱和 CLIP 验证，ImageSet2Text 不断从图像子集中提取关键概念，并将其组织成结构化概念图。我们进行了大量实验，评估生成描述在准确性、完整性和用户满意度方面的质量。我们还通过消除实验、可扩展性评估和失效分析来考察该方法的行为。结果表明，ImageSet2Text 将数据驱动的人工智能与符号表示相结合，能够可靠地总结广泛应用场景中大型图像集合。
引用
@article{arxiv.2503.19361,
title = {ImageSet2Text: Describing Sets of Images through Text},
author = {Piera Riccio and Francesco Galati and Kajetan Schweighofer and Noa Garcia and Nuria Oliver},
journal= {arXiv preprint arXiv:2503.19361},
year = {2025}
}