arXiv · Information Retrieval· Xuri Ge, Chunhao Wang, Junchen Fu, Haokun Wen, Zhiwei Xu, Ying Zhou, Zhumin Chen, Pengjie Ren, Zhaochun Ren, Xin Xin·· 7 小时前AI 评分15
优化 VLP 对齐的多模态意图表示并结合正确视觉实例实现零样本组合图像检索
Optimizing VLP-aligned Multimodal Intent Representation with Correct Visual Instantiation for Zero-Shot Composed Image Retrieval
AI 导读
论文提出 VMIR-CVI 统一框架，从文本推理与视觉解耦两个互补视角重建多模态组合查询。VMIR 模块注入少样本 VLP 风格示例引导 MLLM 生成目标一致意图查询，TVID 模块无需训练即可解耦细粒度视觉实例，HIAF 模块融合文本意图与视觉线索。在 CIRR、CIRCO 和 FashionIQ 三个基准上显著优于现有基线并达到新 SOTA，代码和模型将公开。
来源：arXiv · Information Retrieval · arxiv.org