该研究提出了一种使用基于注意力的添加层来整合视觉信息的方法，构建了引导语言模型进行视频摘要的模型。在 How2 数据集上，通过模态融合的方法，比之前的最新研究提高了 ROUGE-1、ROUGE-2 和 ROUGE-L 分数，其中 83.6% 的提高来自于视觉引导方法。