본 논문은 기존 이미지 캡셔닝 모델들이 복잡한 장면의 세부 정보를 충분히 담아내지 못하고, 평균적인 캡션에 편향되는 문제를 해결하기 위해, 여러 SoTA 캡셔닝 모델의 캡션을 결합하는 새로운 접근 방식을 제시합니다. 별도의 모델 훈련 없이, 사전 훈련된 모델들을 활용하여 초기 캡션을 생성하고, BLIPScore라는 새로운 이미지-텍스트 기반 메트릭을 사용하여 캡션 순위를 매깁니다. 상위 두 개의 캡션을 LLM을 사용하여 융합하여 최종적으로 더 상세한 설명을 생성합니다. MS-COCO 및 Flickr30k 데이터셋에서의 실험 결과는 제안된 방법이 캡션-이미지 정렬 및 환각 감소 측면에서 효과적임을 보여주며, 주관적인 연구를 통해 인간의 판단과 일치하는 캡션을 생성함을 확인했습니다.
