第281章 到底咋写（第2页）

总之，我们的贡献如下：我们将多模态的检索增强生成技术确立为随着近来词法管理领域的进步而出现的一组重要方法。

对于常见的模式，我们对研究论文进行了深入评述，分析了它们之间的内在联系和共同面临的挑战。

我们对未来的发展方向进行了翔实的分析，其中可能包含应对当前许多挑战的有前途的解决方案。

2定义和背景为了更好地了解激发多模态检索增强的现状和进展，我们首先定义并讨论了两个关键概念的背景：多模态学习和检索增强生成（RAG）。

2.1多模态学习多模态学习是指学习不同模态数据的统一表征。

它的目的是提取互补信息，以促进合成任务的完成（Baltrusaitisetal.Baltrusaitisetal.，2018;Gaoetal.，2020）.在这项调查中，我们包括了所有格式不同于自然语言的模式，其中包括图像、代码、结构化知识（如......例如表、知识图谱）、音频和视频。

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（Lin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LLM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。

RAMM（Yuanetal.，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，bsp;等人还使用了视觉编码器、bsp;etal.（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。

本章未完，点击下一页继续阅读