本研究提出EvalMuse-40K基准，收集了40K个细粒度注释的图像-文本对，解决了自动评估文本到图像生成模型性能时小型数据集不足的问题，提升了评估效果，为未来研究提供了重要参考。

该研究推出KALE数据集，包含2.18亿对图像-文本对，旨在缩小合成字幕与网页替代文本之间的差距，提升多模态模型的性能。

CapsFusion是一种先进的框架，利用大型语言模型从图像文本对和合成字幕中巩固和完善信息。它在模型性能、样本效率、世界知识深度和可扩展性方面展示出卓越的优势，成为未来大规模多模态模型训练的有希望的候选者。

该论文提出了一种基于文本监督的语义分割方法，通过使用图像 - 文本对进行对比学习，实现了视觉分割与文本的对齐。实验结果表明，该方法优于现有的文本监督的语义分割方法。

该文介绍了SIEVE方法，用于评估图像-文本对的一致性，并在大规模和中等规模的数据集上取得了最先进的性能。该方法使用预训练的图像-文本模型生成的合成标题进行裁剪，以解决现有方法的限制。