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。
完成下面两步后，将自动完成登录并继续当前操作。
