Abstract
一个创造性的图像和文本生成人工智能系统，模仿人类的非凡能力，为用户提供多样化和全面的 caption 建议，以及丰富的图像创作。
在这项工作中，我们展示了这样一个人工智能创造系统，以产生不同的 caption 和丰富的图像。
当用户想象一个图像并将其与多个标题相关联时，我们的系统会绘制一个丰富的图像来反映所有的标题。
同样，当用户上传图片时，系统会用多种不同的标题来描述它。
这篇文章提出一个统一的多模态框架来实现这一目标。
具体来说，该框架使用Transformer网络联合建模图像和文本表示，该网络通过接受多个标题作为输入来支持丰富的图像生成。
我们考虑输入字幕之间的关系，以鼓励训练的多样性，并采用非自回归解码策略，以实现实时推理。
基于此，该系统支持多种字幕和丰富的图像生成。
-
Previous
【深度学习】Kernelized Bayesian Softmax for Text Generation -
Next
【深度学习】Be Specific, Be Clear: Bridging Machine and Human Captions by Scene-Guided Transformer
