第387章 柚子(第2页)

3多模态检索-增强生成每种模式都有不同的检索和合成程序、目标任务和挑战。因此，我们按图像、代码、结构化知识、音频和视频等模式对相关方法进行分组讨论。3.1图像预训练模型的最新进展为一般图像-文本多模态模型提供了启示。

然而，这些模型需要大量的计算资源进行预训练，并需要大量的模型参数--因为它们需要记忆大量的世界知识。更关键的是，它们无法有效处理新知识或领域外知识。为此，人们提出了多种检索增强方法，以更好地整合图像和文本文档中的外部知识。在一般的文本生成任务中，图像检索也可以通过扩展文本生成语境来提高生成质量，从而增加\"想象力\"。视觉问题解答（vqA）为了解决开放域的vqA问题，rA-vqA(L和byrne,2022b)通过对检索到的文档进行近似边际化预测，联合训练文档检索器和答案生成模块。它首先利用现有的对象检测、图像标题和光学字符识别（ocr）工具将目标图像转换为文本数据。然后，它执行密集段落检索（dpr）。

也将LL视为隐式知识库，并从gpt-3中提取相关隐式信息。即插即用利用根据初始问题定位相关部分。然后，它对检索到的图像补丁执行图像标题处理，以获取增强上下文。除了纯文本增强上同时检索文本和图像数据，并将图像作为视觉标记。rA(yuaal.,2023)检索类似的生物医学图像和标题，并通过不同的网络对其进行编码。图像标题生成多种风格的标题、周和龙(2023)在生成标题前使用了一种风格感知视觉编码器来检索图像内容。除了对视觉信息进行简单的编码外，cho等人还使用了视觉编码器、choetal.(2022)进一步使用图像-文本对之间的多模态相似性作为奖励函数来训练更精细的字幕模型。除了检索图像元素外、

过检索新闻文章中的视觉基础实体来处理新闻图片标题。视觉基础对话Leeetal.,2021b)要求检索视觉信息以生成相关的对话回复。faal.(2021)用基于knn的信息获取（kif）模块增强了生成模型，该模块可检索图像和维基知识。梁等人(2021)从图像索引中检索与对话框相关的图像，作为响应生成器的基础。shen等人(2021)训练了一个单词-图像映射模型来检索反应的视觉印象，然后使用文本和视觉信息生成反应。文本生成对于一般的文本生成任务，图像检索也可以帮助扩展上下文。杨等人(2022a）通过检索现有图像和合成新生成的图像来增强文本模型的\"想象力\"。因此，为语言模型注入想象力可以提高许多下游自然语言任务的性能。类似的例子还有zhu等人(2023)将\"想象力\"。