本文介绍了多种基于Transformer架构的图像描述模型，利用多视角视觉特征显著提升了图像描述效果。研究涵盖了GET、GRIT等模型，强调了双向上下文和外部知识检索的应用，最终提出了适用于资源有限设备的轻量级LightCap模型，表现出先进性能。