Circo
PulseAugur coverage of Circo — every cluster mentioning Circo across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
MulVec方法通过角色感知匹配增强零样本图像检索
研究人员开发了MulVec，一种用于无训练零样本组合图像检索的新颖方法。与使用单一全局描述的现有方法不同，MulVec采用了一个具有四种不同检索角色的角色感知系统：全局、期望、保留和禁止。这使得通过考虑特定的语义线索和细节来实现更细粒度的匹配。MulVec在CIRCO、CIRR和FashionIQ等基准数据集上展示了显著的改进，其性能优于以前的方法。
-
新的CoCo-IR模型支持使用LMM进行迭代图像搜索
研究人员推出CoCo-IR，一项新的上下文组合图像检索任务和模型，它允许对视觉搜索进行迭代优化。提出的大型多模态模型（LMM）解释交互历史以生成不断演变的变换图像嵌入（TIE）。为了促进训练，一个自主数据引擎利用LMM进行数据生成和模型引导的硬负例验证。CoCo-IR在CIRCO基准上实现了39.4 mAP@5，在其新的4轮对话基准上实现了44.1 R@1，显著优于现有方法，展示了最先进的性能。
-
DiCE-CIR 引入直接组合学习以实现高效零样本图像检索
研究人员推出了一种新颖的直接组合学习方法 DiCE-CIR，用于高效的零样本组合图像检索。该方法通过直接将参考图像与编辑文本组合，绕过了先前方法中复杂的投影和重新编码步骤。DiCE-CIR 利用大型语言模型从图像-标题对自动生成训练样本，从而无需手动标注即可实现可扩展的训练。该方法在 CIRCO 基准测试中展示了最先进的性能，并在 CIRR 上取得了有竞争力的结果，同时保持了高计算效率。
-
新的CIRCLED数据集增强了多轮图像检索研究
研究人员推出了一款名为CIRCLED的新型多轮图像检索数据集，旨在克服现有数据集在对话一致性和领域限制（如时尚领域）方面的不足。CIRCLED包含22,608个多轮对话会话，分布在九个子集中，查询会逐步细化以指向目标图像。该数据集旨在为推进多轮图像检索研究提供高质量的基准。
-
新框架通过澄清性问题解决图像检索中的歧义
研究人员推出了一种新的组合图像检索（CIR）框架，以解决查询中固有的歧义。与假设单个目标图像的先前系统不同，该方法将 CIR 重构为不确定性下的校准意图解析。它使用一致性预测来提供具有覆盖保证的候选集，并在歧义较高时，提出信息量最大的澄清性问题以缩小选项范围。
-
新框架使用多智能体系统进行高级图像检索
研究人员引入了一个名为 PDF 的新颖框架，用于零样本组合图像检索。该分层多智能体系统旨在通过结合经验自我演化和测试时尺度定律 (TTS) 来克服现有方法的局限性。该框架动态路由感知信号，并采用无训练的推理策略蒸馏，结合锦标赛风格的 TTS 策略进行细粒度推理，在基准数据集上取得了最先进的结果。