MUNIChus：多语言新闻图像描述基准
计算与语言
2026-03-12 v1 计算机视觉与模式识别
摘要
新闻图像描述旨在通过整合新闻文章内容与对应图像，生成能够突出文本语境与视觉元素关系的描述。目前大多数新闻图像描述研究集中于英文，主要因其他语言的数据集稀缺。为此，我们构建了首个多语言新闻图像描述基准MUNIChus，包含9种语言，包括Sinhala和Urdu等多个资源较少的语言。我们在MUNIChus上评估了各种最新神经网络新闻图像描述模型，发现新闻图像描述仍具挑战性。我们还公开了MUNIChus数据集，已有20多项模型进行基准测试。MUNIChus为开发和评估多语言新闻图像描述模型开辟了新的道路。
引用
@article{arxiv.2603.10613,
title = {MUNIChus: Multilingual News Image Captioning Benchmark},
author = {Yuji Chen and Alistair Plum and Hansi Hettiarachchi and Diptesh Kanojia and Saroj Basnet and Marcos Zampieri and Tharindu Ranasinghe},
journal= {arXiv preprint arXiv:2603.10613},
year = {2026}
}
备注
Accepted to LREC 2026 (The Fifteenth biennial Language Resources and Evaluation Conference)