VMIR-CVI：优化VLP对齐的多模态意图表示用于零样本组合图像检索

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。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。