用于 GuessWhich 猜图游戏的多模态对话状态跟踪

基于摘要分析。本文研究 GuessWhich 视觉对话游戏：Questioner Bot（QBot）通过向 Answer Bot（ABot）连续提问来定位隐藏图像。核心贡献是用隐藏图像的内部视觉表象构建多模态对话状态，使 QBot 能够在多轮交互中持续进行视觉相关推理。 作者指出，既有方法或者缺乏视觉信息，或者每轮仅采样一张真实图像作为解码上下文，难以充分支持视觉推理。所提方法将多组内部视觉表象表示与对话实体表示纳入对话状态；每轮利用该状态构建内部表示、生成问题，并在收到回答后更新对话状态及内部表示。摘要未说明这些表示的具体参数化方式、训练目标或更新算子，不能据此将其认定为特定的状态空间模型架构。 作者报告，在 VisDial v0.5、v0.9 和 v1.0 上，该方法在所评估的全部指标与数据集上超过此前方法。摘要未列出指标名称、具体数值、数据划分与对照配置，因此该领先性能声明尚不能独立核验；实验协议、消融及统计信息尚未验证。作者提供了代码与实验数据的仓库地址，但其内容及复现条件尚未核验。 这里的 mental imagery 指模型对隐藏图像的内部视觉表象，并非 EEG 运动想象任务。材料未提供神经信号实验或与 BCI 的具体机制对应，不据此推断其具有已验证的 EEG/BCI 应用价值。