本文介绍了一种新的图像字幕生成架构，利用视觉关系图和弱监督学习来提升图像表示和字幕生成效果。实验结果表明，该框架在MSCOCO数据集上表现优异。此外，研究探讨了视觉线索、对象检测与大型语言模型的结合，提出了多种创新方法以提高图像描述的质量和多样性。