論文の概要: Attribute-Conditioned Multimodal Slot Factorization for Controllable Fashion Retrieval

• arxiv url: http://arxiv.org/abs/2608.12570v1
• Date: Wed, 12 Aug 2026 20:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.320119
• Title: Attribute-Conditioned Multimodal Slot Factorization for Controllable Fashion Retrieval
• Title（参考訳）: 制御可能なファッション検索のための属性記述型マルチモーダルスロットファクトリゼーション
• Abstract要約: 本稿では,Fashion-CLIPテキストと画像埋め込みを4つの属性スロットに分解するマルチモーダルスロットエンコーダMM-slotgateを紹介する。 各スロットは独自のテキストイメージゲートを学習するため、色やパターンといった視覚的に接地された属性は、画像のエビデンスに依存することができる。 H&Mでは、スロット類似性とスロットログ検索スコアを組み合わせたMM-slotgateが0.7566マクロのConstraintSatisfied@10を達成している。
• 参考スコア（独自算出の注目度）: 3.264379056653011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fashion retrieval often requires satisfying multiple attributes at once, such as category, color, pattern, and demographic. Monolithic embeddings mix these signals into a single vector, making attribute-specific control difficult at retrieval time. Many existing semantic-ID methods provide discrete item codes, but these codes are typically optimized as item-level or residual addresses and do not expose named, independently controllable attribute slots. We introduce MM-slotgate, a multimodal slot encoder that factorizes Fashion-CLIP text and image embeddings into four named attribute slots. Each slot learns its own text-image gate, so visually grounded attributes such as color and pattern can rely more on image evidence, while taxonomy-oriented attributes such as category and demographic can remain more text-driven. On H&M, using a combined slot-similarity and slot-logit retrieval score, MM-slotgate achieves 0.7566 macro ConstraintSatisfied@10, outperforming equal-weight multimodal fusion (0.7142) and fCLIP text-only retrieval (0.4755). The largest gain is on color, which improves from 0.321 to 0.889 (+0.568 absolute), as the learned color gate assigns 57.4% weight to image evidence. The learned gates are interpretable without modality supervision: color is image-leaning, category is text-leaning, and pattern and demographic lie near the middle. The resulting slots also remain controllable: linear probes show no measured excess leakage beyond the label-correlation baseline, and quantized slot codes support targeted intervention, including a 15.3x lift for color. These results suggest that controllable fashion retrieval benefits from typed, attribute-conditioned multimodal slots rather than either a single global embedding or opaque item-level semantic IDs.
• Abstract（参考訳）: ファッション検索は、カテゴリ、色、パターン、人口統計など、複数の属性を一度に満たさなければならないことが多い。 モノリシックな埋め込みはこれらの信号を単一のベクトルに混合し、属性固有の制御を検索時に困難にする。 多くの既存のセマンティックIDメソッドは、離散的なアイテムコードを提供するが、これらのコードは一般にアイテムレベルまたは残留アドレスとして最適化され、名前付き独立制御可能な属性スロットを公開しない。 本稿では,Fashion-CLIPテキストと画像埋め込みを4つの属性スロットに分解するマルチモーダルスロットエンコーダMM-slotgateを紹介する。 各スロットは独自のテキストイメージゲートを学習するので、色やパターンなどの視覚的に接地された属性は画像のエビデンスに依存し、カテゴリや人口統計といった分類指向の属性はテキスト駆動のままである。 H&Mでは、スロット類似性とスロットロジット検索スコアを組み合わせて、MM-slotgateは0.7566マクロのConstraintSatisfied@10を達成し、等重量マルチモーダル融合(0.7142)とfCLIPテキストのみ検索(0.4755)を上回っている。 最大の利得はカラーであり、画像証拠に57.4%の重量を割り当てるため、0.321から0.889(+0.568絶対値)に改善されている。 学習されたゲートは、モダリティの監督なしに解釈可能で、色はイメージリード、カテゴリーはテキストリード、パターンと人口層は中央近くにある。 線形プローブはラベル相関ベースラインを超えて測定された余分な漏れを示さず、量子化されたスロットコードは色に対する15.3倍のリフトを含む標的の介入をサポートする。 これらの結果は,単一のグローバルな埋め込みや不透明なアイテムレベルのセマンティックIDではなく,型付き属性条件付きマルチモーダルスロットによるファッション検索のメリットを示唆している。

関連論文リスト

• MARS: What Retrieval Signals Are Hidden in Multimodal Large Language Models for Text-Video Retrieval? [2.0824228840987447]
  テキストビデオ検索には、似たようなシーン、アクション、時間パターンでビデオを区別できる表現が必要である。 最近の多モーダルな言語モデルは埋め込みモデルとして採用されているが、最終層からの1つのトークンを用いて各入力を表現していることが多い。 テキストビデオ検索のための多層・マルチスロット埋め込みフレームワークMARSを提案する。
  論文  参考訳（メタデータ） (2026-09-02T13:16:06Z)
• Controlling Embedding Spaces with Text-Conditioned Transformations [54.94594915955756]
  属性を明示的にアクセス可能にする視覚埋め込みのテキスト条件変換を提案する。 テキストの条件付けにより、多くの属性を同時に学習し、直感的なインターフェースを通じて推論時にそれらにアクセスすることができる。
  論文  参考訳（メタデータ） (2026-07-24T21:14:29Z)
• A Multi-Attribute Latent Space for Visual Analysis of Watches [13.304918146763983]
  本稿では,大規模な腕時計コレクションを探索するための設計理論,埋め込みモデル,インタラクティブビジュアル分析システムを提案する。 我々は、ウォッチ型を明示的なセマンティックオーガナイザとして使用しながら、ダイヤル色とダイヤルデザインの属性グラフを別々に表現する。 パラメータ分析,実行時測定,時計の専門家と初心者による定性的なパイロットスタディを通じて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2026-06-26T09:45:12Z)
• From Mirage to Grounding: Towards Reliable Multimodal Circuit-to-Verilog Code Generation [16.148817642071638]
  回路図は、ハードウェアの視覚的なドメイン固有言語と見なすことができる。 このような図をレジスタ-トランスファーレベル(RTL)コードに変換することは、視覚-コード生成のための極めて信頼性の高いテストである。 回路図を空白の画像に置き換えると、Pass@kは変わらないかそれ以上になるのです。
  論文  参考訳（メタデータ） (2026-04-30T15:01:27Z)
• Towards Generalized Multi-Image Editing for Unified Multimodal Models [56.620038824933566]
  統一マルチモーダルモデル(UMM)は、マルチモーダル理解と生成を統合する。 UMMは、複数の入力画像にまたがる詳細を参照する場合、視覚的一貫性の維持と視覚的手がかりの曖昧さに制限される。 画像の同一性を明確に識別し、可変入力数に一般化するUMMのためのスケーラブルなマルチイメージ編集フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-09T06:42:49Z)
• From Pixels to Posts: Retrieval-Augmented Fashion Captioning and Hashtag Generation [1.1666234644810893]
  本稿では,ファッションキャプションの自動生成とハッシュタグ生成のための検索フレームワークを提案する。 このパイプラインは、マルチガーメントローカライゼーションのためのYOLOベースの検出器、優占色抽出のためのk平均クラスタリング、布と性別属性推論のためのCLIP-FAISS検索モジュールを組み合わせる。 RAG-LLMパイプラインは、表現力のある属性対応キャプションを生成し、ハッシュタグ生成の50%の閾値で完全なカバレッジを持つ平均属性カバレッジ0.80を達成する。
  論文  参考訳（メタデータ） (2025-11-24T14:13:57Z)
• Compositional Caching for Training-free Open-vocabulary Attribute Detection [65.46250297408974]
  オープンボキャブラリ属性検出のためのトレーニング不要なComcal Caching(ComCa)を提案する。 ComCaは、イメージの補助キャッシュをポップアップするために、ターゲット属性とオブジェクトのリストのみを入力として使用する。 パブリックデータセットの実験では、ComCaがゼロショットとキャッシュベースのベースラインを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-03-24T21:00:37Z)
• MMCL: Boosting Deformable DETR-Based Detectors with Multi-Class Min-Margin Contrastive Learning for Superior Prohibited Item Detection [8.23801404004195]
  X線画像における禁止項目検出は、最も効果的なセキュリティ検査方法の1つである。 X線画像における特異な現象が重なり合うと、前景と背景の特徴が結合する。 コンテンツクエリのカテゴリ意味情報を明らかにするために,Multi-class Min-Margin Contrastive Learning (MMCL)法を提案する。
  論文  参考訳（メタデータ） (2024-06-05T12:07:58Z)
• Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification [78.52704557647438]
  補助的なアノテーションやデータなしに両方の制約に対処するために,新しいFIne-fine Representation and Recomposition (FIRe$2$) フレームワークを提案する。 FIRe$2$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2023-08-21T12:59:48Z)
• T-MARS: Improving Visual Representations by Circumventing Text Feature Learning [99.3682210827572]
  LAIONの画像の40%近くは、字幕と重なるテキストを含んでいるという、我々の観察に動機づけられた新しいデータフィルタリング手法を提案する。 我々のシンプルでスケーラブルなアプローチであるT-MARSは、テキストが残りの視覚的特徴を支配するペアのみをフィルタリングします。
  論文  参考訳（メタデータ） (2023-07-06T16:59:52Z)
• Multi-Granularity Denoising and Bidirectional Alignment for Weakly Supervised Semantic Segmentation [75.32213865436442]
  本稿では,雑音ラベルと多クラス一般化問題を緩和するために,MDBAモデルを提案する。 MDBAモデルはPASCAL VOC 2012データセットの検証とテストセットにおいて69.5%と70.2%のmIoUに達することができる。
  論文  参考訳（メタデータ） (2023-05-09T03:33:43Z)

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。