返回
Cross-Modal Diffusion on Pretrained Alignment Codebook for Multimodal Machine Translation
DOI:10.1109/TASLPRO.2026.3658943.png)
摘要
En 中文
多模态机器翻译旨在整合辅助信息(如图像)以提升文本翻译质量。尽管现有方法通过多种跨模态融合技术实现了有前景的性能,但它们均忽略了推理阶段解码速度的迫切需求,从而限制了其在实际场景中的应用。本文提出了一种新颖的多模态扩散翻译框架MDT,该框架在性能与效率之间取得平衡,能够并行生成高质量的目标翻译。具体而言,我们设计了一个具有共享语义的对齐码本,通过潜在对齐和跨模态对齐预训练任务,促进图像与文本输入间的有效关联。在此基础上构建跨模态扩散模型,利用视觉特征高效恢复潜在文本码字。我们还开发了Bézier噪声调度策略,使KL散度测量的去噪难度随时间步长稳健增长。在两个数据集的五种双语语言对上的实验结果表明,MDT相比先进方法更为有效,实现了更快的推理加速。
Keyword:
Translation
Diffusion models
Visualization
Transformers
Schedules
Machine translation
Noise reduction
Decoding
Semantics
Feature extraction
Inference speedup
alignment codebook
cross-modal diffusion model
multimodal machine translation
期刊
I
IF:
0
论文数:
151
被引数:
0

