1. SemStyle: Learning to Generate Stylised Image Captions using Unaligned Text(2018 CVPR)
主要研究方向：本论文主要是做语言风格，就是对同一张图片有多种描述。
2. Neural Baby Talk（2018 cvpr）
主要研究内容：对于图片的描述更多的应该是基于图像内容，而不是基于语言模型去推理；如果是非常见场景，那么模型就差强人意。
3. Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering（2018 CVPR）
主要研究内容：针对attention之前输入的是均等化图片格子，而不是具体的如同人眼观察到的图像内容，故而本论文是先用faster-RCNN检测得到feature map，而后对其加权，再进行转化为自然语言。
4. GroupCap: Group-based Image Captioning with Structured Relevance and Diversity Constraints
主要研究方向：目前大部分的图像描述模型都是集中在一张图像上，也就是一次给一张图像做字幕生成，本论文是给定多张图片来使caption更加具体。
数据集：http://mac.xmu.edu.cn/Data_cvpr18.html (基于MSCOCO更改而成)
5. Image Caption Generation with Hierarchical Contextual Visual Spatial Attention
主要研究方向：这里提出的注意力机制考虑了图片region之间的上下文。