P

Paligemma Rich Captions

由 gokaygokay 开发
基于PaliGemma-3b模型在DocCI数据集上微调的图像描述生成模型,能生成200-350字符的详细描述文本,减少幻觉现象
下载量 66
发布时间 : 5/17/2024
模型介绍
内容详情
替代品

模型简介

专注于生成图像的中等长度详细描述文本的视觉语言模型,适用于需要丰富图像描述的自动化场景

模型特点

详细描述生成
能生成200-350字符的详细图像描述,比常规caption模型提供更丰富的信息
减少幻觉
通过DocCI数据集微调,显著降低了描述中的虚构内容
多模态理解
结合视觉编码器和语言模型,实现精准的图文对齐

模型能力

图像内容理解
详细文本生成
多模态推理

使用案例

内容创作
自动图像标注
为图库或媒体资源生成详细的元数据描述
生成包含场景、对象和关系的丰富描述
辅助技术
视觉辅助
为视障用户生成详细的图像语音描述
提供超出简单caption的环境上下文信息