論文の概要: Beyond Semantic Search: Towards Referential Anchoring in Composed Image Retrieval

• arxiv url: http://arxiv.org/abs/2604.05393v1
• Date: Tue, 07 Apr 2026 03:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.608999
• Title: Beyond Semantic Search: Towards Referential Anchoring in Composed Image Retrieval
• Title（参考訳）: セマンティック検索を超えて - 合成画像検索における参照アンコリングを目指して
• Authors: Yuxin Yang, Yinan Zhou, Yuxin Chen, Ziqi Zhang, Zongyang Ma, Chunfeng Yuan, Bing Li, Jun Gao, Weiming Hu,
• Abstract要約: Composed Image Retrieval (CIR)は、参照画像と修正テキストを組み合わせた柔軟なマルチモーダルクエリを可能にすることで、大きな可能性を実証している。 我々は、厳密なインスタンスレベルの一貫性を規定する新しいきめ細かい検索タスクであるObject-Anchored Composed Image Retrieval (OACIR)を提案する。
• 参考スコア（独自算出の注目度）: 56.72697928941446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Composed Image Retrieval (CIR) has demonstrated significant potential by enabling flexible multimodal queries that combine a reference image and modification text. However, CIR inherently prioritizes semantic matching, struggling to reliably retrieve a user-specified instance across contexts. In practice, emphasizing concrete instance fidelity over broad semantics is often more consequential. In this work, we propose Object-Anchored Composed Image Retrieval (OACIR), a novel fine-grained retrieval task that mandates strict instance-level consistency. To advance research on this task, we construct OACIRR (OACIR on Real-world images), the first large-scale, multi-domain benchmark comprising over 160K quadruples and four challenging candidate galleries enriched with hard-negative instance distractors. Each quadruple augments the compositional query with a bounding box that visually anchors the object in the reference image, providing a precise and flexible way to ensure instance preservation. To address the OACIR task, we propose AdaFocal, a framework featuring a Context-Aware Attention Modulator that adaptively intensifies attention within the specified instance region, dynamically balancing focus between the anchored instance and the broader compositional context. Extensive experiments demonstrate that AdaFocal substantially outperforms existing compositional retrieval models, particularly in maintaining instance-level fidelity, thereby establishing a robust baseline for this challenging task while opening new directions for more flexible, instance-aware retrieval systems.
• Abstract（参考訳）: Composed Image Retrieval (CIR)は、参照画像と修正テキストを組み合わせた柔軟なマルチモーダルクエリを可能にすることで、大きな可能性を実証している。 しかし、CIRは本質的にセマンティックマッチングを優先し、コンテキスト間でユーザ指定のインスタンスを確実に取り出すのに苦労する。 実際には、より広い意味論よりも具体的なインスタンスの忠実さを強調することは、しばしばより簡潔である。 本研究では,厳密なインスタンスレベルの一貫性を規定する新しい細粒度検索タスクであるObject-Anchored Composed Image Retrieval (OACIR)を提案する。 そこで我々は,OACIRR (OACIR on Real-world images) を構築し,160K以上の4倍数と,難易度の高いインスタンス・イントラクタを備えた4つの挑戦的ギャラリーからなる,最初の大規模マルチドメインベンチマークを構築した。 各四重項は、コンポジションクエリをバウンディングボックスで拡張し、参照イメージにオブジェクトを視覚的にアンカーし、インスタンスの保存を保証するための正確で柔軟な方法を提供する。 OACIR タスクに対処するために,AdaFocal というフレームワークを提案する。AdaFocal はコンテキストアウェア・アテンション・モジュレータを特徴とするフレームワークで,特定のインスタンス領域内の注意を適応的に強化し,アンカーされたインスタンスとより広いコンポジションコンテキスト間のフォーカスを動的にバランスさせる。 大規模な実験により、AdaFocalは既存の構成的検索モデル、特にインスタンスレベルの忠実さを著しく上回り、よりフレキシブルなインスタンス認識検索システムのための新しい方向をオープンしながら、この課題に対する堅牢なベースラインを確立することが実証された。

関連論文リスト

• DeepImageSearch: Benchmarking Multimodal Agents for Context-Aware Image Retrieval in Visual Histories [52.57197752244638]
  本稿では,画像検索を自律探索タスクとして再構成する新しいエージェントパラダイムであるDeepImageSearchを紹介する。 モデルは、暗黙の文脈的手がかりに基づいてターゲットを特定するために、生の視覚履歴に対して多段階の推論を計画し実行しなければならない。 DisBenchは、相互接続された視覚データ上に構築された、挑戦的なベンチマークである。
  論文  参考訳（メタデータ） (2026-02-11T12:51:10Z)
• CIR-CoT: Towards Interpretable Composed Image Retrieval via End-to-End Chain-of-Thought Reasoning [93.05917922306196]
  Composed Image Retrieval (CIR) は、参照画像と修正テキストから対象画像を見つけることを目的としている。 CIR-CoTは、明示的なChain-of-Thought (CoT)推論を統合するために設計された最初のエンドツーエンド検索指向MLLMである。
  論文  参考訳（メタデータ） (2025-10-09T09:41:45Z)
• Composed Object Retrieval: Object-level Retrieval via Composed Expressions [71.47650333199628]
  Composed Object Retrieval (COR)は、画像レベルの検索を超えてオブジェクトレベルの精度を達成するための新しいタスクである。 COR127KはCORの最初の大規模ベンチマークであり、408カテゴリの様々な意味変換を持つ127,166個の検索三重項を含む。 また、参照領域エンコーディング、適応型視覚・テキストインタラクション、および領域レベルのコントラスト学習を統合した統合エンドツーエンドモデルであるCOREを提案する。
  論文  参考訳（メタデータ） (2025-08-06T13:11:40Z)
• Referring Expression Instance Retrieval and A Strong End-to-End Baseline [37.47466772169063]
  テキスト画像検索は、画像レベルの記述に基づいてギャラリーからターゲット画像を取得する。 Referring Expressionは、インスタンスレベルの記述を使用して、所定のイメージ内でターゲットオブジェクトをローカライズする。 我々は、インスタンスレベルの検索とローカライゼーションの両方をサポートする textbfReferring Expression Instance Retrieval (REIR) という新しいタスクを導入する。
  論文  参考訳（メタデータ） (2025-06-23T02:28:44Z)
• Image2Sentence based Asymmetrical Zero-shot Composed Image Retrieval [92.13664084464514]
  合成画像検索(CIR)の課題は,検索画像とユーザの意図を記述したテキストに基づいて画像を取得することである。 既存の手法は、CIRタスクにおける高度な大規模視覚言語(VL)モデルにおいて大きな進歩を遂げているが、それらは一般的に、モデルトレーニングのためのラベル付き三重項の欠如とリソース制限された環境への展開の困難という2つの大きな問題に悩まされている。 本稿では、VLモデルを利用して合成学習のためのラベルなし画像のみに依存する画像2Sentenceに基づく非対称ゼロショット合成画像検索(ISA)を提案する。
  論文  参考訳（メタデータ） (2024-03-03T07:58:03Z)
• BOSS: Bottom-up Cross-modal Semantic Composition with Hybrid Counterfactual Training for Robust Content-based Image Retrieval [61.803481264081036]
  CIR(Content-Based Image Retrieval)は,サンプル画像と補完テキストの合成を同時に解釈することで,対象画像の検索を目的とする。 本稿では,新しいアンダーラインtextbfBottom-up crunderlinetextbfOss-modal underlinetextbfSemantic compounderlinetextbfSition (textbfBOSS) とHybrid Counterfactual Training frameworkを用いてこの問題に取り組む。
  論文  参考訳（メタデータ） (2022-07-09T07:14:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。