論文の概要: HABIT: Chrono-Synergia Robust Progressive Learning Framework for Composed Image Retrieval

• arxiv url: http://arxiv.org/abs/2604.18037v1
• Date: Mon, 20 Apr 2026 10:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.801638
• Title: HABIT: Chrono-Synergia Robust Progressive Learning Framework for Composed Image Retrieval
• Title（参考訳）: HABIT:Chrono-Synergia Robust Progressive Learning Framework for Composed Image Retrieval
• Authors: Zixu Li, Yupeng Hu, Zhiwei Chen, Shiqi Zhang, Qinlei Huang, Zhiheng Fu, Yinwei Wei,
• Abstract要約: Composed Image Retrieval (CIR) はフレキシブルな画像検索パラダイムであり、ユーザーがターゲット画像の正確な位置を特定することができる。 本稿では、合成画像検索(HABIT)のためのcHrono-synergiA roBustプログレッシブIve学習フレームワークを提案する。 2つの標準CIRデータセットで実施された実験により、HABITは様々なノイズ比でほとんどの手法を著しく上回っていることが示された。
• 参考スコア（独自算出の注目度）: 32.85064790572752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Composed Image Retrieval (CIR) is a flexible image retrieval paradigm that enables users to accurately locate the target image through a multimodal query composed of a reference image and modification text. Although this task has demonstrated promising applications in personalized search and recommendation systems, it encounters a severe challenge in practical scenarios known as the Noise Triplet Correspondence (NTC) problem. This issue primarily arises from the high cost and subjectivity involved in annotating triplet data. To address this problem, we identify two central challenges: the precise estimation of composed semantic discrepancy and the insufficient progressive adaptation to modification discrepancy. To tackle these challenges, we propose a cHrono-synergiA roBust progressIve learning framework for composed image reTrieval (HABIT), which consists of two core modules. First, the Mutual Knowledge Estimation Module quantifies sample cleanliness by calculating the Transition Rate of mutual information between the composed feature and the target image, thereby effectively identifying clean samples that align with the intended modification semantics. Second, the Dual-consistency Progressive Learning Module introduces a collaborative mechanism between the historical and current models, simulating human habit formation to retain good habits and calibrate bad habits, ultimately enabling robust learning under the presence of NTC. Extensive experiments conducted on two standard CIR datasets demonstrate that HABIT significantly outperforms most methods under various noise ratios, exhibiting superior robustness and retrieval performance. Codes are available at https://github.com/Lee-zixu/HABIT
• Abstract（参考訳）: Composed Image Retrieval (CIR) はフレキシブルな画像検索パラダイムであり、ユーザーは参照画像と修正テキストからなるマルチモーダルクエリを通じて、ターゲット画像を正確に特定することができる。 このタスクは、パーソナライズされた検索とレコメンデーションシステムにおいて有望な応用を実証してきたが、ノイズトリプル対応(NTC)問題と呼ばれる現実的なシナリオでは深刻な課題に直面している。 この問題は、主に三重項データの注釈付けに関わる高コストと主観性から生じる。 この問題に対処するため,構成された意味的相違の正確な推定と修正相違への適応の不十分な2つの中心的課題を同定した。 これらの課題に対処するため、我々は2つのコアモジュールからなるコンポジション画像検索(HABIT)のための学習フレームワークをcHrono-synergiA roBustで提案する。 まず、Multual Knowledge Estimation Moduleは、合成特徴と対象画像の相互情報の遷移率を算出し、意図した修正セマンティクスと整合したクリーンなサンプルを効果的に同定することにより、サンプルの清浄度を定量化する。 第2に、Dual-Consistency Progressive Learning Moduleは、過去のモデルと現在のモデルの間で協調的なメカニズムを導入し、人間の習慣の形成をシミュレートし、良い習慣を維持し、悪い習慣を校正し、最終的にNTCの存在下で堅牢な学習を可能にする。 2つの標準CIRデータセットで実施された大規模な実験により、HABITは様々なノイズ比でほとんどの手法を著しく上回り、優れた堅牢性と検索性能を示した。 コードはhttps://github.com/Lee-zixu/HABITで入手できる。

関連論文リスト

• Robust Remote Sensing Image-Text Retrieval with Noisy Correspondence [24.863417464867776]
  本稿では、人間の認知学習パターンを模倣する自己評価学習戦略を設計する、新しいロバストリモートセンシング画像-テキスト検索(RRSITR)パラダイムを提案する。 3つの人気のあるベンチマークデータセットの実験により、提案されたRRSITRは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-30T07:55:07Z)
• HINT: Composed Image Retrieval with Dual-path Compositional Contextualized Network [32.657095507841085]
  Composed Image Retrieval (CIR) は難しい画像検索パラダイムである。 本稿では,文脈的符号化を行い,マッチングと非マッチングの類似性の違いを増幅する2つのpatHsItional coNtextualized neTwork (HINT)を提案する。 我々のHINTモデルは、2つのCIRベンチマークデータセットにまたがるすべてのメトリクスで最適なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-27T12:01:40Z)
• Vision-Free Retrieval: Rethinking Multimodal Search with Textual Scene Descriptions [81.33113485830711]
  視覚言語モデルに対して,視覚のない単一エンコーダ検索パイプラインを導入する。 VLLM生成した構造化画像記述の助けを借りてテキストからテキストへ移行する。 提案手法は,複数検索および構成性ベンチマークにおいて,最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-09-23T16:22:27Z)
• CoLLM: A Large Language Model for Composed Image Retrieval [76.29725148964368]
  Composed Image Retrieval (CIR)は、マルチモーダルクエリに基づいた画像検索を目的とした複雑なタスクである。 本稿では,イメージキャプションペアからトリプレットをオンザフライで生成するワンストップフレームワークであるCoLLMを提案する。 我々はLarge Language Models (LLMs) を利用して参照画像の埋め込みと修正テキストを生成する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:50Z)
• Modality and Task Adaptation for Enhanced Zero-shot Composed Image Retrieval [20.612534837883892]
  Zero-Shot Composed Image Retrieval (ZS-CIR) はバイモーダル (image+text) クエリを用いてターゲット画像を取得するように設計されている。 本稿では,2つのコンポーネントからなる軽量なポストホックフレームワークを提案する。 実験により,提案するコンポーネントを組み込むことで,インバージョンに基づく手法が大幅な改善を実現することが示された。
  論文  参考訳（メタデータ） (2024-10-31T08:49:05Z)
• Symmetrical Bidirectional Knowledge Alignment for Zero-Shot Sketch-Based Image Retrieval [69.46139774646308]
  本稿ではゼロショットスケッチベース画像検索(ZS-SBIR)の問題点について検討する。 目に見えないカテゴリのスケッチをクエリとして使用して、同じカテゴリのイメージにマッチさせることが目的だ。 ゼロショットスケッチに基づく画像検索(SBKA)のための新しい対称双方向知識アライメントを提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:50:34Z)
• Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
  本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。 提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
  論文  参考訳（メタデータ） (2023-08-19T05:34:13Z)

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。