SGDiff：基于场景图引导的扩散模型，用于图像协同分割字幕

这篇文章介绍了SGDiff，这是一种利用场景图引导扩散模型进行图像分割和字幕生成的新方法。这表明在将结构化知识（场景图）与生成模型（扩散）集成以改进图像理解和描述方面取得了进展。 重点关注“协同分割字幕”意味着可能存在多模态交互或一个联合细化分割和字幕生成的系统。