Fugu-MT 論文翻訳(概要): TIGER-FG: Text-Guided Implicit Fine-Grained Grounding for E-commerce Retrieval

論文の概要: TIGER-FG: Text-Guided Implicit Fine-Grained Grounding for E-commerce Retrieval

arxiv url: http://arxiv.org/abs/2605.18434v1
Date: Mon, 18 May 2026 14:07:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 17:57:49.69981
Title: TIGER-FG: Text-Guided Implicit Fine-Grained Grounding for E-commerce Retrieval
Title（参考訳）: TIGER-FG:Eコマース検索のためのテキストガイド付インシデントグラインドグラウンド
Authors: Xinyu Sun, Huangyu Dai, Lingtao Mao, Zexin Zheng, Zihan Liang, Ben Chen, Chenyi Lei, Wenwu Ou,
Abstract要約: 電子商取引の画像検索は、しばしばクロップされたイメージをクエリとして取り、各候補は完全なアイテムイメージと構造化されたテキストで表現される。我々は,電子商取引検索のためのテキスト誘導型暗黙的きめ細かなグラウンドディングフレームワークTIGER-FGを提案する。
参考スコア（独自算出の注目度）: 10.927254533551563
License: http://creativecommons.org/licenses/by/4.0/
Abstract: E-commerce image search often takes a cropped image as the query, while each candidate is represented by full item images and structured text. This image-to-multimodal retrieval setting presents two asymmetries: a modality disparity -- a visual query must match image--text items, and a granularity disparity -- a cropped query must be compared with full images containing background context and possible distractors. Detection-based pipelines handle the granularity disparity through explicit localization but incur extra cost and error propagation, whereas CLIP-style encoders avoid detection, but are vulnerable to backgrounds or irrelevant items. To address these limitations, we propose TIGER-FG, a text-guided implicit fine-grained grounding framework for image-to-multimodal e-commerce retrieval. TIGER-FG uses item text as semantic guidance to produce target-focused item representations without object detection for retrieval. We further introduce dual distillation objectives that preserve target-region spatial consistency and query--item similarity structure, yielding more stable and discriminative multimodal representations. In addition, we construct ECom-RF-IMMR, a realistic benchmark suite with a 10M-pair training set and two evaluation benchmarks covering standard and cluttered item layouts. TIGER-FG improves Recall@1 over the strongest baseline by 6.1 and 34.4 percentage points on the two evaluation benchmarks, respectively, with only 85.7M query-side parameters and 256-dim embeddings. Results on public e-commerce benchmarks further demonstrate its generalization to noisy and one-to-many retrieval scenarios. Code and data will be released.
Abstract（参考訳）: 電子商取引の画像検索は、しばしばクロップされたイメージをクエリとして取り、各候補は完全なアイテムイメージと構造化されたテキストで表現される。この画像からマルチモーダル検索設定では、モダリティの相違 - 視覚的なクエリは画像テキストの項目と一致しなければならない - と粒度の相違 - の2つの非対称性が示され、刈り取られたクエリは、背景のコンテキストとイントラクタを含むフルイメージと比較されなければならない。検出ベースのパイプラインは、明示的なローカライゼーションによって粒度格差を処理するが、コストとエラーの伝播を招く一方、CLIPスタイルのエンコーダは検出を避けるが、バックグラウンドや無関係なアイテムに対して脆弱である。これらの制約に対処するため、画像からマルチモーダルeコマース検索のためのテキスト誘導型暗黙的きめ細かなグラウンドディングフレームワークTIGER-FGを提案する。 TIGER-FGは、アイテムテキストをセマンティックガイダンスとして使用し、オブジェクトを検出せずにターゲット中心のアイテム表現を生成する。さらに, ターゲット領域の空間的整合性と問合せの類似性構造を保ち, より安定かつ差別的なマルチモーダル表現をもたらす, 二重蒸留の目的を導入する。さらに,10Mペアのトレーニングセットと,標準および乱雑な項目レイアウトをカバーする2つの評価ベンチマークを備えた,現実的なベンチマークスイートであるECom-RF-IMMRを構築した。 TIGER-FGは2つの評価ベンチマークでそれぞれ6.1ポイントと34.4ポイントの改善を行い、クエリサイドパラメータは85.7Mと256dimの埋め込みしかなかった。公開eコマースベンチマークの結果はさらに、ノイズと1対多の検索シナリオへの一般化を実証している。コードとデータはリリースされます。

関連論文リスト

WISER: Wider Search, Deeper Thinking, and Adaptive Fusion for Training-Free Zero-Shot Composed Image Retrieval [36.577766022251446]
ZS-CIRは、マルチモーダルクエリがアノテートされたトリプレットをトレーニングすることなく、ターゲット画像を取得することを目的としている。我々は,T2IとI2Iを"検索-検証-精細化"パイプラインを介して統合する,トレーニング不要のフレームワークであるWISERを提案する。
論文参考訳（メタデータ） (2026-02-26T14:11:10Z)
Pixel-Grounded Retrieval for Knowledgeable Large Multimodal Models [58.46663983451155]
PixSearchは、地域レベルの認識と検索強化推論を統合する、エンドツーエンドのLMM(Large Multimodal Model)である。エンコーディング中、PixSearchは検索をトリガーする検索>トークンを出力し、クエリのモダリティ(テキスト、画像、リージョン)を選択し、ビジュアルクエリとして直接機能するピクセルレベルのマスクを生成する。エゴセントリックでエンティティ中心のVQAベンチマークでは、PixSearchは事実整合性と一般化を大幅に改善する。
論文参考訳（メタデータ） (2026-01-27T00:46:08Z)
Beyond Pixels: A Training-Free, Text-to-Text Framework for Remote Sensing Image Retrieval [2.2613695007273926]
我々は、画像毎に複数の構造化キャプションを特徴付ける新しいベンチマークであるRemote Sensing Rich Textデータセットを紹介する。本データセットに基づいて,TRSLLaVAと呼ばれる完全トレーニングフリーでテキストのみの検索基準を提案する。提案手法は,VLM生成キャプションのデータベースに対して,リッチテキスト記述をクエリとして活用し,テキスト間マッチング問題としてクロスモーダル検索を再構成する。
論文参考訳（メタデータ） (2025-12-11T12:43:41Z)
Text-based Aerial-Ground Person Retrieval [55.31140361809554]
本研究はTAG-PR(Text-based Aerial-Ground Person Retrieval)を紹介する。異質な空中・地上からの人物画像をテキスト記述で検索することを目的としている。
論文参考訳（メタデータ） (2025-11-11T15:49:04Z)
Hierarchical Scheduling for Multi-Vector Image Retrieval [17.023146933530484]
HiMIRは画像検索のための効率的なスケジューリングフレームワークである。本稿では,画像オブジェクトのアライメントを高めるために,複数の中間粒度を用いた新しい階層的パラダイムを提案する。実験により,HMIRは精度を向上するだけでなく,既存のMVRシステムに比べて最大3.5倍の計算量を削減できることがわかった。
論文参考訳（メタデータ） (2025-10-10T03:36:18Z)
OFFSET: Segmentation-based Focus Shift Revision for Composed Image Retrieval [59.377821673653436]
Composed Image Retrieval (CIR)は、ユーザの複雑な検索要求を柔軟に表現することができる。 1) 視覚データにおける支配的部分とノイズ的部分の不均一性は無視され、クエリー特徴が劣化する。本研究は、主部分分割と二重焦点写像という2つのモジュールからなる集中写像に基づく特徴抽出器を提案する。
論文参考訳（メタデータ） (2025-07-08T03:27:46Z)
Mask-aware Text-to-Image Retrieval: Referring Expression Segmentation Meets Cross-modal Retrieval [13.296362770269452]
Mask-aware TIR (MaTIR) は、テキストクエリに基づいて関連する画像を見つけることを目的としている。セグメンテーションを意識した画像検索のための第1段階と、再ランク付けとオブジェクトグラウンド化のための第2段階からなる2段階のフレームワークを提案する。我々はCOCOとD$3$データセットに対するアプローチを評価し、従来の手法に比べて精度とセグメンテーション品質の両方が大幅に向上したことを示す。
論文参考訳（メタデータ） (2025-06-28T12:19:49Z)
EDIS: Entity-Driven Image Search over Multimodal Web Content [95.40238328527931]
textbfEntity-textbfDriven textbfImage textbfSearch (EDIS)は、ニュース領域におけるクロスモーダル画像検索のためのデータセットである。 EDISは、実際の検索エンジンの結果から100万のWebイメージとキュレートされたデータセットで構成され、各イメージはテキスト記述と組み合わせられている。
論文参考訳（メタデータ） (2023-05-23T02:59:19Z)
Tasks Integrated Networks: Joint Detection and Retrieval for Image Search [99.49021025124405]
多くの現実世界の探索シナリオ(例えばビデオ監視)では、オブジェクトは正確に検出または注釈付けされることはめったにない。まず、エンド・ツー・エンド統合ネット(I-Net)を紹介します。さらに,2つの新しいコントリビューションを行うDC-I-Netという改良されたI-Netを提案する。
論文参考訳（メタデータ） (2020-09-03T03:57:50Z)

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。