大規模視覚言語モデルによって生成された詳細な視覚記述の独自性と忠実性の探索

大規模視覚言語モデルは、視覚的特徴を詳細に記述する能力が高く、従来のキャプション生成モデルを超えている。しかし、その生成能力の質的差異や忠実性については十分に理解されていない。