論文の概要: EviRank: Structured Relevance Evidence for Multimodal Image Re-ranking

• arxiv url: http://arxiv.org/abs/2608.20886v1
• Date: Fri, 21 Aug 2026 09:04:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.48168
• Title: EviRank: Structured Relevance Evidence for Multimodal Image Re-ranking
• Title（参考訳）: EviRank:マルチモーダル画像再構成のための構造的関連性証拠
• Abstract要約: セマンティック制約満足度問題として,マルチモーダル画像の再評価を行った。 我々は,任意のクエリを統一的なエビデンスパッケージに解析するEviRankを提案する。 EviRankは、テキスト・ツー・イメージ、イメージ・ツー・イメージ、合成画像検索にまたがる最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 15.769848377171323
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Real-world image search queries are multimodal and compositional: ``find this shirt in pink'' specifies an entity to retain, an attribute to modify, and context to ignore. Yet existing re-rankers either compress such multifaceted relevance into an opaque embedding or rely on free-form chain-of-thought that easily omits or hallucinates fine-grained constraints. Drawing on rubric- and checklist-based evaluation from NLP, we recast multimodal image re-ranking as a semantic constraint satisfaction problem and propose EviRank, which parses any query - text-only, image-only, or composed - into a unified evidence package: typed criteria across six semantic slots (e.g., entities, attributes, relations), each labelled required, forbidden, or ignorable. Re-ranking then reduces to evidence-conditioned verification, combining deterministic rubric scoring and evidence-grounded listwise comparison in a single training-free procedure. The explicit evidence can further serve as structured supervision for optionally distilling a lightweight student. Across five benchmarks spanning text-to-image, image-to-image, and composed image retrieval, EviRank achieves state-of-the-art performance, and the distilled student preserves over 90% of the teacher's capability at substantially lower cost.
• Abstract（参考訳）: '`find this shirt in pink'' は保持するエンティティ、修正する属性、無視するコンテキストを指定する。 しかし、既存のリランカは、そのような多面的関連性を不透明な埋め込みに圧縮するか、きめ細かな制約を省略したり幻覚させる自由形式の連鎖に依存している。 NLPによるルーブリックおよびチェックリストに基づく評価に基づいて、セマンティック制約満足度問題として再分類されたマルチモーダルイメージをリキャストし、EviRankを提案する。EviRankは、テキストのみ、画像のみ、または構成されたクエリを、統一されたエビデンスパッケージに解析する。 その後、再ランク付けはエビデンス条件の検証に還元され、決定論的ルーリックスコアとエビデンス条件の一覧比較を1つのトレーニングフリー手順で組み合わせる。 明示的な証拠は、軽量の学生を任意に蒸留するための構造化された監督役として役立てることができる。 EviRankはテキスト・ツー・イメージ、イメージ・ツー・イメージ、合成画像検索にまたがる5つのベンチマークで最先端のパフォーマンスを達成し、蒸留された学生は教師の能力の90%以上を実質的に低コストで保存する。

関連論文リスト

• Pretraining Reusable Inference Across Views with Synthetic Task Priors [21.47966082652401]
  現代の事前訓練されたエンコーダは、不均一なビューからの表現を再利用しやすくするが、ビューユーティリティを決定し、エビデンスを組み合わせる手順は、下流の各タスクにまだ残されている。 提案するSIMPLEは,クエリラベルを小さなラベル付きサポートセットに条件付けすることで,クエリラベルを予測するマルチコンテキスト学習システムである。 マルチビューおよびマルチオミクスベンチマークの実験は、SIMPLEの凍結版が推論バックボーンを更新することなく競合性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-08-19T17:10:03Z)
• SAVER: Selective As-Needed Vision Evidence for Multimodal Information Extraction [23.835119696596095]
  ソーシャルメディアにおけるマルチモーダルIEは、投稿がテキストに関して弱い関連性、冗長性、あるいは誤解を招く複数のイメージを添付する可能性があるため、難しい。 マルチモーダルなエンティティ認識と多モーダルな関係抽出のためのフレームワークであるSAVERを提案する。 実験の結果、SAVERは強いテキストのみのベースラインと常時オンのマルチモーダルベースラインよりも一貫してF1を改善している。
  論文  参考訳（メタデータ） (2026-05-20T05:10:18Z)
• DQE-CIR: Distinctive Query Embeddings through Learnable Attribute Weights and Target Relative Negative Sampling in Composed Image Retrieval [53.482391830683014]
  合成画像検索(CIR)は、参照画像と、意図した変更を特定する修正テキストとを共同で解釈することにより、対象画像を検索するタスクに対処する。 既存のほとんどの手法は、基底の真理像を唯一の正の例として扱い、残りの全ての画像を負の例として扱う対照的な学習フレームワークの上に構築されている。 学習可能な属性重みとターゲットの相対的負サンプリングによるクエリ埋め込みを提案する。
  論文  参考訳（メタデータ） (2026-03-04T13:17:44Z)
• Seeing Through Words: Controlling Visual Retrieval Quality with Language Models [68.49490036960559]
  本稿では,画像品質の明示的な概念を取り入れつつ,文脈的詳細で短いクエリを充実させる,品質制御可能な検索の新たなパラダイムを提案する。 我々のキーとなる考え方は、生成言語モデルをクエリ補完関数として活用し、未特定クエリを記述形式に拡張することです。 提案手法は,検索結果を大幅に改善し,最新のVLMの表現能力と,短いユーザクエリの未特定特性とのギャップを埋める,効果的な品質管理を提供する。
  論文  参考訳（メタデータ） (2026-02-24T18:20:57Z)
• Reasoning-Augmented Representations for Multimodal Retrieval [27.4146940988752]
  Universal Multimodal Retrieval (UMR) は、テキストと視覚を横断する任意の検索を求める。 画像が“サイレント”なエビデンスを持ち、クエリがキーセマンティクスを暗黙的に残す場合、単一の埋め込みパスは理由と圧縮の両方でなければならない。 本稿では、検索前の推論を外部化することで、これらの役割を分離するデータ中心のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-06T19:01:54Z)
• Chain-of-Thought Re-ranking for Image Retrieval Tasks [16.13448876168839]
  そこで我々は,画像検索に対処する新しいChain-of-Thought Re-Ranking(CoTRR)手法を提案する。 MLLMがリストワイズ推論を行えるようにすることで,グローバル比較,一貫した推論,解釈可能な意思決定をサポートする。 提案手法は,テキスト・トゥ・イメージ検索(TIR),合成画像検索(CIR),チャットベースの画像検索(Chat-IR)など,3つの画像検索タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-09-18T08:48:46Z)
• MERIT: Multilingual Semantic Retrieval with Interleaved Multi-Condition Query [91.01970848241075]
  MERITは、インターリーブされたマルチ条件セマンティック検索のための最初の多言語データセットである。 本稿では,多条件セマンティック検索のための最初の多言語データセットであるMERITを紹介する。
  論文  参考訳（メタデータ） (2025-06-03T17:59:14Z)
• Multimodal Hypothetical Summary for Retrieval-based Multi-image Question Answering [14.63910474388089]
  QAの学習目標が探索段階の最適化に失敗するため, 「検索・回答」パイプラインはカスケードエラーに悩まされることが多い。 本稿では,検索した情報をQAに効果的に導入し,参照するための新しい手法を提案する。 提案手法は,RETVQAの最先端手法よりも3.7%,CLIPよりも14.5%,絶対的な改善を実現している。
  論文  参考訳（メタデータ） (2024-12-19T14:17:09Z)
• Collaborative Group: Composed Image Retrieval via Consensus Learning from Noisy Annotations [67.92679668612858]
  我々は,集団が個人より優れているという心理的概念に触発されたコンセンサスネットワーク(Css-Net)を提案する。 Css-Netは,(1)コンセンサスモジュールと4つのコンセンサスモジュール,(2)コンセンサス間の相互作用の学習を促進するKulback-Leibler分散損失の2つのコアコンポーネントから構成される。 ベンチマークデータセット、特にFashionIQでは、Css-Netが大幅に改善されている。特に、R@10が2.77%、R@50が6.67%増加し、リコールが大幅に向上している。
  論文  参考訳（メタデータ） (2023-06-03T11:50:44Z)
• 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)
• Few-Shot Learning with Part Discovery and Augmentation from Unlabeled Images [79.34600869202373]
  帰納的バイアスは、ラベルなし画像の平坦な集合から学習でき、目に見えるクラスと目に見えないクラスの間で伝達可能な表現としてインスタンス化されることを示す。 具体的には、トランスファー可能な表現を学習するための、新しいパートベース自己教師型表現学習手法を提案する。 我々の手法は印象的な結果をもたらし、それまでの最高の教師なし手法を7.74%、9.24%上回った。
  論文  参考訳（メタデータ） (2021-05-25T12:22:11Z)

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。