Generowanie nowych, gęstych opisów obrazów przez model wizja–język i trenowanie na nich zamiast lub obok oryginalnych podpisów.
Generating new, dense image descriptions with a vision-language model and training on them instead of or alongside original captions.
Zamiast ufać przypadkowym podpisom z internetu, model tworzy dokładniejszy opis każdego zdjęcia przed treningiem.
Instead of trusting random web captions, a model creates a more precise description of each image before training.
Krótkie, chaotyczne podpisy nie mówią, co dokładnie jest na obrazie, więc generator nie umie trzymać się szczegółowych poleceń.
Short, messy captions do not say what is actually in the picture, so a generator cannot follow detailed requests.
Jak bibliotekarz, który przepisuje nieczytelne karty katalogowe od nowa, z pełnym opisem kolorów, układu i liczby przedmiotów.
Like a librarian rewriting illegible catalogue cards from scratch, noting colours, layout and how many objects there are.
Prosisz generator o „trzy czerwone kubki na lewej półce” i dostajesz dokładnie to, a nie przypadkowe kubki.
You ask an image generator for “three red mugs on the left shelf” and get exactly that, not random mugs.