本文介绍了一种自监督的SCORER网络，旨在生成高质量的图像描述。该方法通过交叉模态学习和对比策略，显著提升了描述的稳定性和鲁棒性。实验结果显示，该模型在多个数据集上优于现有模型，且计算成本保持不变。