論文の概要: Thinking Before Retrieving: Robust Zero-Shot Composed Image Retrieval via Strategic Planning and Self-Criticism
- arxiv url: http://arxiv.org/abs/2606.31222v1
- Date: Tue, 30 Jun 2026 07:04:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.108409
- Title: Thinking Before Retrieving: Robust Zero-Shot Composed Image Retrieval via Strategic Planning and Self-Criticism
- Title（参考訳）: ロバストゼロショットによる戦略的計画と自己批判による画像検索
- Abstract要約: PEC-CIRは、クエリ構造を多段階推論パイプラインとして構成する、トレーニング不要のフレームワークである。
PEC-CIRは、検索前に候補クエリを明示的に評価することにより、生成エラーの伝播を低減する。
- 参考スコア（独自算出の注目度）: 43.95253902432504
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Composed image retrieval requires identifying a target image from a gallery by integrating a reference image with a textual modification instruction. In a training-free zero-shot setting, this task relies on constructing a retrieval-oriented textual query within a frozen vision--language embedding space at inference time. Existing approaches predominantly rely on a single-pass generation strategy that fuses the reference context and modification text into a unified description. This strategy makes it difficult to detect or correct semantic distortions and omissions during generation. Consequently, the preservation of reference attributes and the integration of textual requirements interfere with each other, which degrades retrieval precision. To address these challenges, we introduce PEC-CIR, a training-free framework that structures query construction as a multi-stage reasoning pipeline. The framework operates through a Planner--Executor--Critic architecture where the Planner extracts explicit constraints, the Executor generates multiple candidate target descriptions, and the Critic evaluates these candidates based on constraint compliance. By reframing query construction as a staged inference process instead of a single-pass output, PEC-CIR reduces the propagation of generative errors by explicitly evaluating candidate queries before retrieval, thereby improving retrieval stability.
- Abstract（参考訳）: 合成画像検索には、参照画像とテキスト修正命令を統合することにより、ギャラリーからターゲット画像を特定する必要がある。
このタスクは、フリーのゼロショット設定において、凍結した視覚空間内の検索指向のテキストクエリを構築することに依存している。
既存のアプローチは主に、参照コンテキストと修正テキストを統一的な記述に融合するシングルパス生成戦略に依存している。
この戦略により、生成中の意味的歪みや省略の検出や修正が困難になる。
これにより、参照属性の保存とテキスト要求の統合が互いに干渉し、検索精度が低下する。
これらの課題に対処するために,クエリ構築を多段階推論パイプラインとして構成するトレーニングフリーフレームワークであるPEC-CIRを紹介した。
フレームワークはPlanner-Executor-Criticアーキテクチャを通じて動作し、Plannerは明示的な制約を抽出し、Executorは複数の候補ターゲット記述を生成し、Criticは制約コンプライアンスに基づいてこれらの候補を評価する。
PEC-CIRは、クエリ構築を単一パス出力ではなくステージド推論プロセスとすることで、検索前の候補クエリを明示的に評価することにより、生成エラーの伝播を低減し、検索安定性を向上させる。
関連論文リスト
- MMAgent-R$^2$: Learning to Rerank and Reject for Agentic mRAG [50.46218163777298]
知識に基づくビジュアル質問回答 (KB-VQA) では、大規模百科事典の知識ベースからクエリ画像と一致する視覚エンティティを検索し、関連する質問に答える必要がある。
MMAgent-R$2$は、視覚的リランク化と能動的拒絶を内部検証機構として統合したエージェントmRAGフレームワークである。
論文 参考訳（メタデータ） (2026-07-08T13:15:39Z) - DiCE-CIR: Direct Composition Learning for Efficient Zero-Shot Composed Image Retrieval [52.15696141238419]
ゼロショット合成画像検索(ZS-CIR)は、参照画像と編集テキストからなるマルチモーダルクエリから対象画像を検索することを目的としている。
提案するDiCE-CIRは,参照画像と編集テキストを直接合成することで,合成されたクエリ表現を予測する直接合成学習手法である。
論文 参考訳（メタデータ） (2026-07-06T04:37:30Z) - Resolving Ambiguity in Composed Image Retrieval via Calibrated Interaction [0.0]
合成画像検索(CIR)は、コーパスに参照画像と修正方法を記述するテキストを検索する。
本稿では,CIRRの休眠補助アノテーションと対話アノテーションを復活させる,ベンチマークおよび人間検証型ユーザシミュレータであるAmbiCIRを紹介する。
論文 参考訳（メタデータ） (2026-05-23T15:49:16Z) - Beyond Semantic Search: Towards Referential Anchoring in Composed Image Retrieval [56.72697928941446]
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。
論文 参考訳（メタデータ） (2026-04-07T03:43:01Z) - ReCALL: Recalibrating Capability Degradation for MLLM-based Composed Image Retrieval [64.14282916266998]
Composed Image Retrievalは、参照画像と修正テキストからなるハイブリッドクエリに基づいてターゲット画像を取得することを目的としている。
本稿では,診断・生成・再定義パイプラインに従うモデルに依存しないフレームワークであるReCALLを提案する。
CIRRとFashionIQの実験では、ReCALLは継続的に劣化した機能を再検討し、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-02T04:52:54Z) - 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) - ConText-CIR: Learning from Concepts in Text for Composed Image Retrieval [10.156187875858995]
合成画像検索(CIR)は、クエリ画像と相対テキストで指定されたターゲット画像を取得するタスクである。
テキスト概念-一貫性損失をトレーニングしたフレームワークであるConText-CIRを導入する。
これらのコンポーネントが組み合わさることで,CIRタスクの性能が向上することを示す。
論文 参考訳（メタデータ） (2025-05-27T06:09:57Z) - Multimodal Reasoning Agent for Zero-Shot Composed Image Retrieval [52.709090256954276]
Zero-Shot Composed Image Retrieval (ZS-CIR) は、合成クエリによってターゲット画像を取得することを目的としている。
本稿では,ZS-CIRにMRA(Multimodal Reasoning Agent)を用いた新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-26T13:17:50Z) - Training-free Zero-shot Composed Image Retrieval with Local Concept Reranking [34.31345844296072]
合成画像検索は、参照画像と対応する修正テキストの合成クエリを通して、ギャラリー画像から興味のある画像を検索しようとする。
現在の構成画像検索手法の多くは、参照画像、修正テキスト、対応するターゲット画像からなるコストのかかる3重化データセットのトレーニングに対する教師付き学習アプローチに従っている。
そこで本研究では,学習不要なゼロショット合成画像検索手法を提案する。
論文 参考訳（メタデータ） (2023-12-14T13:31:01Z) - 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。