CLS 03 · 视觉与语言：任务、训练与接口

图像描述已经在生成文字；前面的条件多解图又说明，同一句描述不必对应唯一像素答案

主线阅读与优先实验

caption历史、VQA、CLIP候选、关系控制、GLIP/LLaVA与生成桥梁

图像描述已经在生成文字；前面的条件多解图又说明，同一句描述不必对应唯一像素答案。第四讲会进一步问：训练反馈怎样支持这些可能，采样又怎样得到一个结果？

GAN、VAE、Diffusion 的路线比较与原始来源，已移到第四讲：从条件多解走向生成模型。