arXiv cs.CV· Riad Ahmed Anonto, Sardar Md. Saffat Zabin, M. Saifur Rahman·· 5 小时前AI 评分17
用交叉注意力引导 Patch 对齐：面向孟加拉语图像描述的三重损失方法
Align Where the Words Look: Cross-Attention-Guided Patch Alignment with Contrastive and Transport Regularization for Bengali Captioning
AI 导读
研究者提出一套面向孟加拉语图像描述的低算力流程，用 LaBSE 校验的 EN-BN 平行语料和 11 万张双语提示合成图像训练，冻结 MaxViT 提取视觉 patch、mBART-50 解码，并以轻量桥接层连接两个模态。
来源：arXiv cs.CV · arxiv.org