視覚から言語への生成タスクにおける従来のモデルは、視覚エンコーダと言語生成モデルをそれぞれのドメインで事前学習し、ターゲットタスクとの共同微調整（joint finetuning）を行うことが一般的であった。しかし、この直接的な転移手法は、視覚情報の特異性と言語の自然さの間に不整合が生じる可能性がある。これは、視覚データとテキストデータの巨大コーパスから別々に学習されるため、両者間に共通の基盤が存在しないためである。本研究では、事前学習と微調整の間に、視覚エンコーダと言語モデルを調和させるための「遷移的適応（transitional adaptation）」タスクが必要であると主張する。そこで、事前学習されたマルチモーダルモジュール同士を、テキストラベルを必要とせず、視覚入力同士の単純なアライメントタスクにより相互に適応させる、新たなアプローチ「事前学習モデルの遷移的適応（Transitional Adaptation of Pretrained Model, TAPM）」を提案する。広範な実験を通じて、この適応ステップが、複数の言語モデルにおける連続的な動画・画像キャプション生成タスクの性能を顕著に向上させることを示した。LSMDC 2019の複文記述タスクおよびVISTの画像ストーリーテリングタスクにおいて、言語指標および人間評価の両面で、新たなSOTA（最先端）性能を達成した。また、実験結果から、キャプション品質の向上は特定の言語モデルの選択に依存しないことが明らかになった。