本研究提出了一种新的方法来解决干扰图像检测的任务，通过利用大型多模型模型中编码的知识，提取通用语义描述和引发的情感，并利用 CLIP 的文本编码器获取文本嵌入。最终，将这些文本嵌入与相应的 CLIP 图像嵌入一起用于干扰图像检测任务，提高了分类准确度。