English(EN) Semantic Prior-Guided Incomplete Cross-Modal Retrieval with Noisy Labels

新框架SPIRN解决了跨模态检索中的不完整数据和带噪声标签问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-05 05:00

研究人员开发了一个名为SPIRN的新框架，以解决跨模态检索（CMR）中的挑战，特别是在处理不同模态间的不完整数据和带噪声标签时。SPIRN利用固定的语义先验作为学习表示、处理带噪声注释和补全缺失模态的稳定参考。该框架包括建立语义空间、区分干净和带噪声样本的质量感知学习、校正注释的全局标签校准以及恢复缺失数据的选择性插补等组件。该方法被认为是首个在CMR中联合解决模态不完整性和标签噪声问题的方法，在基准数据集上的性能优于现有方法。 AI

影响这项研究可以提高需要理解和关联不同来源信息的人工智能系统的准确性和鲁棒性，即使在数据不完美的情况下也是如此。

排序理由该集群包含一篇学术论文，详细介绍了计算机视觉中特定研究问题的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 26 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了计算机视觉中特定研究问题的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Jiali Chen, Ruitao Pu, Yingke Chen, Dezhong Peng · 2026-11-05 05:00

带噪声标签的语义先验引导不完整跨模态检索

arXiv:2611.06113v1 Announce Type: new Abstract: Cross-modal retrieval (CMR) aims to bridge the semantic gaps between modalities by learning shared representations. Unfortunately, due to the dynamism and inconsistencies in real-world data acquisition, multimodal datasets frequentl…

本文如何被排名

报道来源 [1]

带噪声标签的语义先验引导不完整跨模态检索

相关实体

相关话题