研究人员开发了SeCo-SBIR，一个用于零样本草图图像检索（ZS-SBIR）的新框架，旨在通过弥合草图和照片之间的领域差距来提高泛化能力。该框架采用文本引导的多模态提示策略，将CLIP文本编码器的语义知识注入其视觉编码器。此外，基于扰动的约束一致性将适应性模型与冻结的CLIP参考对齐，防止过拟合并锚定学习到的表示。该方法在标准的ZS-SBIR基准测试中取得了最先进的成果。 AI
影响 这项研究可以提高依赖于视觉理解和草图检索的AI系统的准确性和泛化能力。
排序理由 该集群包含一篇详细介绍图像检索新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
