本文介绍了由 LIUM 和 CVC 开发的多模态神经机器翻译系统，描述了他们在 WMT18 多模态翻译共享任务中提出的几种修改架构，以更好地整合卷积特征和使用编码器方面的信息来优化模型，最终在英法和英德语言对上以 METEOR 自动评估指标为参考，获得第一和第二名。

Sep, 2018

本文介绍了 LIUM 和 CVC 为 WMT16 Multimodal Machine Translation Challenge 开发的系统。我们在单模态数据和多模态数据的基础上，探索了各种比较方法，包括基于短语的系统和使用单模态或多模态数据训练的注意力循环神经网络模型。我们还进行了人类评估，以估计多模态数据对于人机翻译和图像描述生成的实用性。根据自动评估指标 BLEU 和 METEOR，我们的系统在这两个任务中获得了最佳结果。

May, 2016

本文描述了我们在 WMT17 多模态翻译任务中的提交内容，其中通过使用来自平行语料和回译的方法获取了额外的数据，建立了纯文本神经翻译模型进行多模态翻译，并使用最佳系统将英语字幕翻译为目标语言。我们还展示了一些未能有效提高翻译性能的负面结果。

Jul, 2017

本文介绍了 MeMAD 项目进入 WMT 多模式机器翻译共享任务的情况，其中我们提出将 Transformer 神经机器翻译架构适应于多模式环境，并描述了我们在此选择之前对纯文本翻译系统的初步实验。我们拥有英语 - 德语和英语 - 法语两种语言的最高分数系统，在 flickr18 的自动指标中都得到了很好的表现。我们的实验表明，图像特征在我们的系统中作用不大，最大的收益来自于基于纯文本 NMT 系统的质量。我们发现适当地使用其他数据是有效的。

Aug, 2018

本文介绍了 UMONS 针对机器翻译任务提出的解决方案，该方案基于神经图像字幕生成的最新研究成果，采用了一种新颖的 deepGRU 架构，该架构在英语 - 德语和英语 - 法语翻译任务中实现了最佳的 METEOR 翻译分数。

Oct, 2018

该论文介绍了针对多模态机器翻译和多语言图像描述的第二个共享任务的结果。该任务涉及新的法语语言和两个新的测试集，并改变了多语言图像描述任务的测试方式，只提供图像，即图像只描述。与去年相比，多模态系统得到了改进，但纯文本系统仍然具有竞争力。

Oct, 2017

本文利用最近发表的多种神经序列学习方法，构建用于 WMT 2016 共享任务的自动后期编辑和多模态机器翻译系统。

Jun, 2016

本文介绍了俄勒冈州立大学参加 WMT'17 多模式翻译任务的系统，该任务的独特之处在于所有句子对都是不同语言中的图像标题，我们提出了一种简单而有效的方法，在编码和解码过程中将图片作为额外信息加入到机器翻译系统中，我们使用 Flickr30k 和 MSCOCO 数据集评估了系统在英法和英德翻译中的表现，并在 MSCOCO 数据集上实现了英德机器翻译的最佳 TER 性能。

Oct, 2017

该论文探究利用多种不同的神经模型进行翻译的组合，其中包括递归、卷积和自注意力模型，最终结合短语基 SMT 系统的 MBR 方案，相较于强 Transformer 模型集合，取得了小但一致的收益。

Aug, 2018

本报告介绍了我们的 VolcTrans 系统，它是一个基于 Transformer 的多语言模型，使用从多个来源收集的数据进行训练，包括来自数据轨道的公共训练集，由 Meta AI 提供的 NLLB 数据，自收集的平行语料库和来自反向翻译的伪双语文本。在官方测试集上，我们的系统实现了 17.3 BLEU，21.9 spBLEU，和 41.9 chrF2 ++，平均所有语言对的推理速度为每秒 11.5 句，使用单个 Nvidia Tesla V100 GPU。

Oct, 2022