論文の概要: MASCOT: Model-Aware Submodular Coverage for Composite-Attribute Text-to-Image Retrieval

• arxiv url: http://arxiv.org/abs/2608.12532v1
• Date: Wed, 12 Aug 2026 19:07:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.311044
• Title: MASCOT: Model-Aware Submodular Coverage for Composite-Attribute Text-to-Image Retrieval
• Title（参考訳）: MASCOT:複合属性テキスト・画像検索のためのモデル対応サブモジュールカバー
• Abstract要約: MASCOT (Model-Aware Submodular Coverage for Composite-Attribute Text-to- Image Retrieval) を導入する。 多様体の反発に頼る代わりに、MASCOT は資源割り当て問題として多属性の多様性を定式化している。 MASCOTは88.58%のアーリーランクリコール(R@10)、MS-DPPは67.63%である。
• 参考スコア（独自算出の注目度）: 14.046412674857748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language Models (VLMs) are highly effective in retrieving semantically relevant images. However, in practice, relevance alone is often insufficient. Systems must also achieve Result Diversification (RD) across composite attributes such as geography and time, a task for which precise control remains challenging. Current re-ranking methods, such as Multi-Source Determinantal Point Processes (MS-DPP), address this using manifold-based repulsion over similarity representations. Although this strategy is effective for broad exploration, it exposes a key limitation in manifold-based models: when subjected to diversity-decrease tasks on discrete metadata, they suffer substantial degradation in early-rank recall. To bridge this gap, we introduce MASCOT (Model-Aware Submodular Coverage for Composite-Attribute Text-to-Image Retrieval). Instead of relying on manifold repulsion, MASCOT formulates multi-attribute diversity as a resource allocation problem, projecting attributes into a soft-binning space weighted by query-driven importance. Averaged across the three PixelProse diversity-decrease tasks, MASCOT preserves an early-rank recall (R@10) of 88.58%, while MS-DPP retains 67.63%. The margin widens under composite constraints: on PP_geo_hour, where temporal and geographic diversity must be suppressed simultaneously, MS-DPP's recall collapses from 0.9737 to 0.4931 and its top-ranked result degrades to R@1 = 0.23, while MASCOT holds R@10 = 0.9410 and R@1 = 0.7202 at a diversity metric above the unconstrained baseline. We do not claim uniform superiority: on aggregate diversity-relevance scores our own simpler ablations attain higher harmonic means on all three decrease tasks, and MASCOT's advantage is specific to recall beyond rank 1 under composite constraints.
• Abstract（参考訳）: VLM(Vision-Language Models)は意味的関連画像の検索に非常に効果的である。 しかし実際には、関係性だけでは不十分であることが多い。 システムはまた、正確な制御が困難な課題である地理や時間などの複合属性にまたがる結果の多様化(RD)も達成しなければならない。 現在、Multi-Source Determinantal Point Processs (MS-DPP) のような再分類法は、類似性表現に対する多様体ベースの反発を用いてこの問題に対処している。 この戦略は広範囲にわたる探索に有効であるが、多様体ベースのモデルにおいて重要な限界を露呈する: 離散メタデータの多様性低下タスクに従えば、彼らはアーリーランクリコールにおいて重大な劣化を被る。 このギャップを埋めるために、MASCOT (Model-Aware Submodular Coverage for Composite-Attribute Text-to-Image Retrieval)を導入する。 多様体の反発に頼る代わりに、MASCOT は資源割り当て問題として多属性の多様性を定式化し、属性をクエリ駆動の重要性によって重み付けられたソフト結合空間に投影する。 3つのPixelProseの多様性低下タスクに平均して、MASCOTは88.58%のアーリーランクリコール(R@10)を維持し、MS-DPPは67.63%を維持している。 PP_geo_hourでは、時間的および地理的な多様性を同時に抑制しなければならないが、MS-DPPのリコールは0.9737から0.4931に崩壊し、最高ランクの値はR@1 = 0.23に低下し、MASCOTはR@10 = 0.9410とR@1 = 0.7202を非拘束ベースライン上の多様性メートル法で保持する。 我々は一様優位性を主張しない: 集約的多様性関連性は、全3つの減少タスクにおいて、より単純な平均値がより高調波平均に達することを証明し、MASCOTの利点は、複合制約の下でランク1を超えるリコールに特有である。

関連論文リスト

• Multimodal Distribution Matching for Vision-Language Dataset Distillation [50.411341509805936]
  マルチモーダル分散マッチング(Multimodal Distribution Matching)は、効率的かつ一般化可能なマルチモーダル蒸留のための幾何学的枠組みである。 MDMはデータ、モデル、損失レベルで補完的なコンポーネントを統合する。 マルチモーダルなセマンティクスを保存し、蒸留コストを大幅に削減し、建築全体にわたって頑丈な、コンパクトな合成セットを生成する。
  論文  参考訳（メタデータ） (2026-05-22T10:41:58Z)
• Fixed Anchors Are Not Enough: Dynamic Retrieval and Persistent Homology for Dataset Distillation [18.560389397187794]
  Retrieval and Topology Alignment framework for decoupled DDを紹介します。 まず、Dynamic Retrieval Connection (DRC)は、プリビルドされたプールから実際のパッチを選択する。 第2に、PTA(Persistent Topology Alignment)は、永続的ホモロジーによる合成を規則化する。
  論文  参考訳（メタデータ） (2026-02-27T16:21:07Z)
• Model Merging in the Essential Subspace [78.5390284258307]
  モデルマージは、複数のタスク固有の細調整されたモデルを、追加のトレーニングなしで単一のマルチタスクモデルに統合することを目的としている。 広範囲の研究にもかかわらず、タスク干渉は依然として大きな障害であり、しばしば統合されたモデルの性能を損なう。 効率的なモデルマージのための堅牢なフレームワークであるESM(Essential Subspace Merging)を提案する。
  論文  参考訳（メタデータ） (2026-02-23T00:33:38Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• Multi-Scale Correlation-Aware Transformer for Maritime Vessel Re-Identification [1.5229257192293202]
  海上船舶再識別(Re-ID)は海上監視と知的状況認識システムにおいて重要な役割を担っている。 既存の船体Re-ID法は、歩行者に焦点を絞ったアルゴリズムから直接適用されており、船体画像に現れる固有の問題を緩和するのに不適当である。 これらの課題に対処するために,マルチスケール相関対応トランスフォーマーネットワーク(MCFormer)を提案する。 MCFormerは、入力セット全体にわたるマルチスケールの相関を明示的にモデル化し、同一性内変異や局所的欠落を伴う外れ値サンプルの悪影響を抑制する。
  論文  参考訳（メタデータ） (2025-11-18T07:16:59Z)
• DAFM: Dynamic Adaptive Fusion for Multi-Model Collaboration in Composed Image Retrieval [2.330678113289435]
  合成画像検索(CIR)におけるマルチモデル協調のための動的適応融合(DAFM)を提案する。 提案手法は,CIRR上のRecall@10,CIRR上のRmean84.43,FashionIQ上のRmean67.48を実現し,最近の強いベースラインを最大4.5%超えた。
  論文  参考訳（メタデータ） (2025-11-07T06:51:10Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• Principled Multimodal Representation Learning [99.53621521696051]
  マルチモーダル表現学習は、多様なデータモダリティを統合することにより、統一された表現空間を作ろうとする。 最近の進歩は、複数のモードの同時アライメントを調査しているが、いくつかの課題が残っている。 複数モーダルの同時アライメントを実現する新しいフレームワークであるPMRL(Principled Multimodal Representation Learning)を提案する。
  論文  参考訳（メタデータ） (2025-07-23T09:12:25Z)
• Coarse-to-Fine Embedded PatchMatch and Multi-Scale Dynamic Aggregation for Reference-based Super-Resolution [48.093500219958834]
  参照型スーパーリゾリューションのためのAMSA(Accelerated Multi-Scale Aggregation Network)を提案する。 提案したAMSAは,定量評価と定性評価の両面において,最先端の手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-01-12T08:40:23Z)

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。