摘要
多模态机器翻译（Multimodal Machine Translation, MMT）通过引入视觉信息来丰富源文本，从而提升翻译质量。近年来，该任务日益受到关注，已有多个相关技术路径被提出。然而，当前该领域仍缺乏高质量的数据集，难以有效评估视觉模态在翻译系统中的实际贡献。本文中，我们以“Volta”为团队名称，参与了WAT 2021多模态翻译任务中从英语到印地语的翻译任务。同时，我们也参加了同一语对的纯文本翻译子任务，该部分采用预训练的多语言序列到序列模型mBART作为基础架构。在多模态翻译方面，我们提出一种方法：通过从图像中提取物体标签（object tags），将视觉信息映射至文本域，从而增强原始文本输入。此外，我们还系统性地对源文本进行退化处理，以评估所提系统的鲁棒性。实验结果表明，在多模态任务的测试集和挑战集上，我们的系统分别取得了44.6和51.6的BLEU得分，验证了所提方法的有效性与实用性。