論文の概要: Weaving Visual Narratives: Agentic Image Bundle Composition Beyond Atomic Visual Matching

• arxiv url: http://arxiv.org/abs/2608.28695v1
• Date: Thu, 27 Aug 2026 07:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.716987
• Title: Weaving Visual Narratives: Agentic Image Bundle Composition Beyond Atomic Visual Matching
• Title（参考訳）: ビジュアルナラティブの織り方:アトミックなビジュアルマッチングを超えたエージェントイメージバンドル構成
• Abstract要約: 画像バンドル構成(IBC)*は,個々の画像のランク付けから動的に構成する凝集性画像バンドルへ目的をシフトする,新しいパラダイムである。 IBCは爆発的な課題を示し、非分解性結合関係のモデリングを要求する。 大規模言語モデルを使用して、不足するリレーショナルロールを適応的に検索し、全バンドル検証にビジョンランゲージモデルを使用することで、BundleWeaverはその空間を効果的にナビゲートする。
• 参考スコア（独自算出の注目度）: 39.681024131939814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image retrieval has traditionally been formulated as a point-wise matching problem, where each candidate image is scored in isolation. However, this atomic paradigm fails to capture the complexity of human search intent within personal photo collections, where users often seek compact visual stories bound by structural relations rather than isolated snapshots. To address this limitation, we introduce **Image Bundle Composition (IBC)**, a novel paradigm that shifts the objective from ranking individual images to dynamically composing cohesive image bundles from a massive, unstructured photo pool. Since target bundles are not predefined, IBC presents a severe combinatorial explosion challenge and demands modeling non-decomposable joint relevance. To establish this paradigm, we construct **IBCBench**, the first IBC benchmark dataset containing 109,467 images and 667 verified queries, built via a semi-automated verification pipeline. Furthermore, we propose **BundleWeaver**, an agentic framework that reformulates IBC as query-conditioned incremental hyperedge discovery. By employing a Large Language Model to adaptively search for missing relational roles and utilizing a Vision-Language Model for whole-bundle verification, BundleWeaver effectively navigates the combinatorial space. Extensive experiments demonstrate that while state-of-the-art embedding models and static decompose-and-rerank paradigms suffer from relational blindness, BundleWeaver achieves substantial performance gains, highlighting the necessity of shifting from atomic scoring to dynamic relational composition. Our dataset and code are available.
• Abstract（参考訳）: 画像検索は伝統的にポイントワイドマッチング問題として定式化され、各候補画像は独立してスコア付けされる。 しかし、このアトミックなパラダイムは、個人写真コレクション内の人間の検索意図の複雑さを捉えるのに失敗し、ユーザーは孤立したスナップショットではなく構造的関係に縛られたコンパクトなビジュアルストーリーを求める。 この制限に対処するために、**Image Bundle Composition (IBC)*は、個々の画像のランク付けから、凝集性画像バンドルを巨大で非構造的なフォトプールから動的に構成する、新しいパラダイムである。 対象バンドルは事前に定義されていないため、IBCは深刻な組合せ爆発問題を示し、非分解不能な結合関係をモデル化する必要がある。 このパラダイムを確立するために,最初のIBCベンチマークデータセットである**IBCBench*を構築した。 さらに,クエリ条件付きインクリメンタルハイパーエッジ発見としてIBCを再構成するエージェントフレームワーク**BundleWeaver*を提案する。 大規模言語モデルを用いて、不足するリレーショナルロールを適応的に検索し、全バンドル検証にビジョンランゲージモデルを使用することで、BundleWeaverは、組合せ空間を効果的にナビゲートする。 最先端の埋め込みモデルと静的分解・再帰パラダイムがリレーショナルブラインドに悩まされている一方で、BundleWeaverは、アトミックスコアリングから動的リレーショナルコンポジションへの移行の必要性を強調しながら、大幅なパフォーマンス向上を実現している。 データセットとコードは利用可能です。

関連論文リスト

• Rank-Consistent Set Reasoning for Co-Salient Object Detection [0.548014499873554]
  Co-SOD(Co-Salient Object Detection)は、個々の画像に忠実でイメージグループによって支持される前景領域を見つけるためのモデルを必要とする。 本稿では,群を非順序集合としてモデル化する教師付き密度予測フレームワークであるemphRank-Consistent Set Reasoning(RCSR)を提案する。
  論文  参考訳（メタデータ） (2026-09-12T04:34:48Z)
• 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)
• PhotoBench: Beyond Visual Matching Towards Personalized Intent-Driven Photo Retrieval [29.907367363360652]
  PhotoBenchは、本物の個人用アルバムから構築された最初のベンチマークである。 パラダイムを視覚的マッチングから、パーソナライズされたマルチソースインテント駆動推論に移行するように設計されている。
  論文  参考訳（メタデータ） (2026-03-02T06:02:40Z)
• DeepImageSearch: Benchmarking Multimodal Agents for Context-Aware Image Retrieval in Visual Histories [52.57197752244638]
  本稿では,画像検索を自律探索タスクとして再構成する新しいエージェントパラダイムであるDeepImageSearchを紹介する。 モデルは、暗黙の文脈的手がかりに基づいてターゲットを特定するために、生の視覚履歴に対して多段階の推論を計画し実行しなければならない。 DisBenchは、相互接続された視覚データ上に構築された、挑戦的なベンチマークである。
  論文  参考訳（メタデータ） (2026-02-11T12:51:10Z)
• Composed Object Retrieval: Object-level Retrieval via Composed Expressions [71.47650333199628]
  Composed Object Retrieval (COR)は、画像レベルの検索を超えてオブジェクトレベルの精度を達成するための新しいタスクである。 COR127KはCORの最初の大規模ベンチマークであり、408カテゴリの様々な意味変換を持つ127,166個の検索三重項を含む。 また、参照領域エンコーディング、適応型視覚・テキストインタラクション、および領域レベルのコントラスト学習を統合した統合エンドツーエンドモデルであるCOREを提案する。
  論文  参考訳（メタデータ） (2025-08-06T13:11:40Z)
• Cross-modal RAG: Sub-dimensional Text-to-Image Retrieval-Augmented Generation [16.411920699543774]
  Cross-modal RAGは、クエリとイメージの両方をサブ次元のコンポーネントに分解する新しいフレームワークである。 本稿では,サブ次元スパースレトリバーと高密度レトリバーを組み合わせたハイブリッド検索手法を提案する。 MS-COCO、Flickr30K、WikiArt、CUB、ImageNet-LTの実験では、クロスモーダルRAGが検索において既存のベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2025-05-28T04:09:49Z)
• CONDA: Condensed Deep Association Learning for Co-Salient Object Detection [136.30039346735833]
  本稿では,深層ネットワークを生のアソシエーションに展開し,それらを深層アソシエーションに変換するディープアソシエーション学習戦略を提案する。 3つのベンチマークデータセットによる実験結果から,提案手法の各種トレーニング設定による顕著な効果が示された。
  論文  参考訳（メタデータ） (2024-09-02T08:01:32Z)
• CoADNet: Collaborative Aggregation-and-Distribution Networks for Co-Salient Object Detection [91.91911418421086]
  Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。 課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。 我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
  論文  参考訳（メタデータ） (2020-11-10T04:28:11Z)

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。