論文の概要: INTENT: Invariance and Discrimination-aware Noise Mitigation for Robust Composed Image Retrieval

• arxiv url: http://arxiv.org/abs/2604.18051v1
• Date: Mon, 20 Apr 2026 10:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.806088
• Title: INTENT: Invariance and Discrimination-aware Noise Mitigation for Robust Composed Image Retrieval
• Title（参考訳）: intENT:ロバスト合成画像検索のための不変性と識別対応ノイズ除去
• Authors: Zhiwei Chen, Yupeng Hu, Zhiheng Fu, Zixu Li, Jiale Huang, Qinlei Huang, Yinwei Wei,
• Abstract要約: 我々は、合成画像検索(CIR)における雑音を、クロスモーダル対応ノイズとモーダル独立ノイズの2つのタイプに分類できると主張している。 後者はモダリティにまたがるミスマッチから生じるが、後者は粗い修正アノテーションとは無関係に、モダリティ内背景干渉や視覚的要因から生じる。 Invariance and discrimiNaTion-awarE noise neTwork (INTENT)を提案する。
• 参考スコア（独自算出の注目度）: 33.738463561724444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Composed Image Retrieval (CIR) is a challenging image retrieval paradigm that enables to retrieve target images based on multimodal queries consisting of reference images and modification texts. Although substantial progress has been made in recent years, existing methods assume that all samples are correctly matched. However, in real-world scenarios, due to high triplet annotation costs, CIR datasets inevitably contain annotation errors, resulting in incorrectly matched triplets. To address this issue, the problem of Noisy Triplet Correspondence (NTC) has attracted growing attention. We argue that noise in CIR can be categorized into two types: cross-modal correspondence noise and modality-inherent noise. The former arises from mismatches across modalities, whereas the latter originates from intra-modal background interference or visual factors irrelevant to the coarse-grained modification annotations. However, modality-inherent noise is often overlooked, and research on cross-modal correspondence noise remains nascent. To tackle above issues, we propose the Invariance and discrimiNaTion-awarE Noise neTwork (INTENT), comprising two components: Visual Invariant Composition and Bi-Objective Discriminative Learning, specifically designed to handle the two-aspect noise. The former applies causal intervention on the visual side via Fast Fourier Transform (FFT) to generate intervened composed features, enforcing visual invariance and enabling the model to ignore modality-inherent noise during composition. The latter adopts collaborative optimization with both positive and negative samples, and constructs a scalable decision boundary that dynamically adjusts decisions based on the loyalty degree, enabling robust correspondence discrimination. Extensive experiments on two widely used benchmark datasets demonstrate the superiority and robustness of INTENT.
• Abstract（参考訳）: Composed Image Retrieval (CIR) 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に基づくターゲット画像の検索を可能にする、困難な画像検索パラダイムである。 近年はかなりの進歩を遂げているが、既存の手法では全てのサンプルが正しく一致していると仮定している。 しかし、現実世界のシナリオでは、高三重項アノテーションのコストのため、CIRデータセットは必然的にアノテーションエラーを含まないため、正しく一致しない三重項となる。 この問題に対処するために、ノイズトリプル対応(NTC)の問題が注目されている。 我々は,CIRにおける雑音を,クロスモーダル対応雑音とモーダル独立雑音の2種類に分類できると主張している。 前者はモダリティにまたがるミスマッチから生じるが、後者は粗い修正アノテーションに関係のないモダリティ内背景干渉や視覚的要因から生じる。 しかし、モダリティ・インヒーレントノイズはしばしば見落とされ、クロスモーダル対応ノイズの研究はいまだに始まったばかりである。 上記の問題に対処するために、視覚的不変合成と双目的識別学習という2つのコンポーネントからなるInvariance and discrimiNaTion-awarE Noise neTwork (INTENT)を提案する。 前者は、Fast Fourier Transform (FFT) を介して視覚面に因果干渉を適用して、視覚的不変性を強制し、合成中のモダリティ・インヒーレントノイズを無視できるようにする。 後者は、正と負の両方のサンプルとの協調最適化を採用し、ロイヤリティ度に基づいて決定を動的に調整し、堅牢な対応判別を可能にするスケーラブルな決定境界を構築する。 広く使用されている2つのベンチマークデータセットに対する大規模な実験は、INTENTの優位性と堅牢性を示している。

関連論文リスト

• HABIT: Chrono-Synergia Robust Progressive Learning Framework for Composed Image Retrieval [32.85064790572752]
  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。
  論文  参考訳（メタデータ） (2026-04-20T10:02:18Z)
• Teacher-Guided Causal Interventions for Image Denoising: Orthogonal Content-Noise Disentanglement in Vision Transformers [8.989774165042542]
  従来の画像復調モデルは, 環境要因とノイズパターンの急激な相関関係を不注意に学習する。 本稿ではTCD-Net(Teacher-Guided Causal Disentanglement Network)を提案する。 大規模な実験により、TCD-Netは、複数のベンチマークにおいて、忠実さと効率の両方で、メインストリームのメソッドよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-01T15:04:37Z)
• Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
  マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。 提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-12T03:14:12Z)
• NCL-CIR: Noise-aware Contrastive Learning for Composed Image Retrieval [16.460121977322224]
  Composed Image Retrieval (CIR)は、画像と修正テキストを組み合わせてターゲットをピンポイントするマルチモーダルクエリを用いて、ターゲット画像の検索を試みる。 ペアは、不正確な修正テキスト、品質の低いターゲット画像、アノテーションエラーなどの問題により、部分的にあるいは完全に一致しないことが多い。 重み補償ブロック (WCB) と雑音対フィルタブロック (NFB) の2つの主要な構成要素からなるCIR (NCL-CIR) のためのノイズ対応コントラスト学習法を提案する。
  論文  参考訳（メタデータ） (2025-04-06T03:27:23Z)
• Disentangled Noisy Correspondence Learning [56.06801962154915]
  クロスモーダル検索は、モダリティ間の潜在対応を理解する上で重要である。 DisNCLはノイズ対応学習における特徴分散のための新しい情報理論フレームワークである。
  論文  参考訳（メタデータ） (2024-08-10T09:49:55Z)
• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• Dynamic Weighted Combiner for Mixed-Modal Image Retrieval [8.683144453481328]
  フレキシブル検索パラダイムとしてのMixed-Modal Image Retrieval (MMIR) が注目されている。 以前のアプローチは常に2つの重要な要因のため、限られたパフォーマンスを達成する。 以上の課題に対処するための動的重み付け結合器(DWC)を提案する。
  論文  参考訳（メタデータ） (2023-12-11T07:36:45Z)
• 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)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)

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。