MCDisp-Align：用于一对多视觉语言表征学习的多描述语义离散度引导分布对齐

基于摘要分析。本文研究一幅图像对应多条文本描述的一对多视觉语言表征学习，提出概率框架 MCDisp-Align，以多描述的语义离散度引导图像分布学习，旨在同时缓解描述间语义差异被压缩和图像语义覆盖范围收缩的问题。 作者指出，确定性方法将样本表示为单点，可能压缩语义不同的描述之间的差异；概率方法虽然使用分布表示样本，但若将较宽的图像分布与主要包含相似语义点的描述分布对齐，也可能限制图像的语义范围。MCDisp-Align 构建描述集合分布，刻画多条描述共享的语义中心、语义范围及主要变化方向，再结合集合级分布对齐与描述级覆盖，保留各条描述的语义差异，并使图像分布覆盖互补的语义视角。分布参数化、对齐目标及覆盖约束的具体形式尚未验证。 在 MSCOCO 和 Flickr30K 的图像—文本检索及几何分析中，作者报告检索性能改善，同一图像的不同描述表征具有更大的语义离散度，不同图像之间的表征分离也更清晰。摘要未提供具体指标、数值、数据划分和对照方法，因此尚不能量化收益；实验协议、消融及统计信息尚未验证。 该方法依赖同一图像对应多条文本描述的集合结构，其已报告结果限于视觉语言任务，不能视为 EEG 或 BCI 有效性的证据。已有 EEG 相关工作尚未检索确认。作者表示代码将在论文被接收后公开，当前材料不能确认接收状态或代码可用性。