该文综述弱监督短语定位与视觉接地研究，通过互信息和语言模型替换构建负标题，结合粗细粒度物体细化、关系建模、注意力掩码及多模态大模型，在CO-Captions、Flickr30K等数据集上提升精度，并扩展至图像标题生成与情感原因提取。