Definition
图像文本到文本（Image Text To Text）指的是处理视觉输入并结合文本查询以产生连贯自然语言输出的模型。这些系统通常被称为视觉-语言模型（Vision-Language Models, VLMs），它们结合了计算机视觉和自然语言处理技术，使机器能够理解图像内容并据此生成相应的文字描述或直接回答相关问题。
Summary
一种多模态AI能力，能够根据输入图像和可选的文本提示生成文本描述或回答问题。
Key Concepts
- 多模态学习
- 视觉问答
- 图像描述生成
- 跨模态注意力机制
Use Cases
- 用于无障碍访问的自动化图像描述生成
- 视觉问答系统
- 内容审核分析