本研究构建了一个高质量的远程感知图像字幕数据集（RSICap），包括 2,585 个人工注释的字幕，为每个图像提供了详细的描述，包括场景描述和对象信息。此外，还提供了一个基准评估数据集 RSIEval，可以全面评估在 RS 背景下的视觉语言模型。

ViECap是一种可转移的解码模型，利用实体感知解码生成见过和没见过的场景中的描述。通过实体感知的硬提示，ViECap能够在跨多样场景的连贯字幕生成中保持性能，并在跨域字幕生成方面达到最新水平。