摘要

视觉叙事是一项基于图像序列生成短篇故事的任务。与视觉字幕（visual captions）不同，视觉叙事不仅包含图像中的事实性描述，还融入了图像中并未直接呈现的想象性内容。本文提出一种新颖的“想象-推理-生成”（Imagine-Reason-Write, IRW）框架，该框架受人类创作故事逻辑的启发。首先，引入一个“想象模块”，显式地学习具有想象力的故事情节，从而提升生成故事的连贯性与合理性。其次，设计一个“推理模块”，通过关系推理方法，充分挖掘外部知识（如常识知识库）以及任务特定知识（如场景图与事件图），以增强对图像中对象间语义关系的理解。由此，能够有效捕捉图像中最具信息量的常识性与视觉关联，显著提升生成故事的多样性与信息丰富度。最后，将想象性概念与关系知识融合，基于原始图像语义生成具有人类风格的叙事内容。在标准基准数据集（VIST）上的大量实验表明，所提出的IRW框架在多项评估指标上均显著优于当前最先进的方法。