该文介绍了一种利用文本语义信息来引导图像压缩的多模态机器学习方法，能够在极低比特率下获得较好的视觉效果。该方法采用图像-文本注意力模块和改进的多模态语义一致性损失函数，性能可以相媲美或超越最先进的技术。