研究人员推出了一种新颖的通用多模态检索框架DrIG，该框架利用双重角色标识符来增强生成式信息检索。该方法解决了现有方法的局限性，例如前缀级错误以及当前系统主要为单一模态的特点。DrIG通过为每个候选分配一个既可用于自回归解码的序列，又可用于前缀无关相关性先验的集合的单一标识符，来支持跨文本、图像和混合图像-文本数据的各种检索任务。在M-BEIR基准和文本到图像数据集上的实验表明，DrIG的表现优于最先进的生成式多模态基线，提供了有利的效率-有效性权衡。 AI
影响 该框架可以提高跨各种数据类型的检索系统的效率和准确性。
排序理由 该集群包含一篇详细介绍生成式多模态检索新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
- CatalyzeX Code Finder for Papers
- Connected Papers
- DagsHub
- Generative Information Retrieval
- Generative Universal Multimodal Retrieval with Dual-role Identifiers
- Gotit.pub
- Hugging Face
- Litmaps
- M-BEIR
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
