该文综述图像字幕生成研究，涵盖可控字幕、美学字幕数据集、用户自适应、半监督标注、多模态融合、跨语言理解、问题敏感字幕、模型评估、委员会共识及可迁移解码等方法，以提升字幕质量与跨域性能。

本文综述图像字幕生成研究，涵盖可控字幕、提示学习、多模态融合、语义角色控制和密集视频字幕等方法，在多样性、可控性和生成质量上取得进展，并在MSCOCO等数据集上达到最优性能。