多模态文本生成是指综合使用图像、视频、文本等多种模态信息，进而自动化地生成符合人类视觉、文化的文本片段描述。
这要求其不仅仅考虑文本生成的流畅性、语言丰富性，更要与视觉模态相结合，综合考量时空位置信息。
而多模态图像生成，则是要打开模型的拟合固定思维，根据文本描述，去充分的挖掘显式信息和隐式信息，产生丰富多彩的图像信息。
因此，综合使用视频片段、图片等多种信息进行生成是CV与NLP交叉的前沿热点领域。
4月27晚20：00，我们特地准备了由深耕“多模态领域”多年的卓越老师为我们带来《一节课通关多模态深度学习》，内容非常干货！
