Fashion Image Captioning

新的RA-CoA框架在无需训练的情况下增强了时尚图像字幕生成

研究人员开发了RA-CoA，一个旨在无需模型训练即可改进时尚图像字幕生成的新颖框架。该方法将字幕生成过程分为两个阶段：首先，从产品知识库中检索相关的属性集；其次，利用这些属性进行详细推理以生成最终字幕。RA-CoA是模型无关的，并且可以与冻结的视觉语言模型（VLMs）配合使用，以提高产品描述中细粒度时尚细节的精度。评估表明，与标准的零样本字幕生成相比，RA-CoA显著提高了字幕质量，在METEOR得分上平均提高了26.3%。