作为一种用于导航大量图像的有效技术，随着图像共享站点和社交网络的快速发展，图像摘要已成为一项有前途的任务。 大多数现有的汇总方法都使用基于视觉的功能来表示图像，而无需考虑标签信息。 在本文中，我们提出了一个名为JOINT的新颖框架，该框架同时使用图像内容和标签信息来汇总图像。 我们的模型生成摘要图像，可以最好地重建原始集合。 基于具有代表性内容的图像也应具有典型标签的假设，我们在模型中引入了一个引起相似度的正则化器。 此外，我们对目标函数强加了开放性，以产生简洁的摘要集。 大量的实验表明，我们的