論文の概要: RA-CoA: Training-free Fashion Image Captioning via Retrieval-Augmented Chain-of-Attributes

• arxiv url: http://arxiv.org/abs/2609.14100v1
• Date: Sat, 12 Sep 2026 18:51:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.686132
• Title: RA-CoA: Training-free Fashion Image Captioning via Retrieval-Augmented Chain-of-Attributes
• Title（参考訳）: RA-CoA:Retrieval-Augmented Chain-of-Attributesによるフリーファッション画像キャプション
• Abstract要約: FIC(Fashion Image Captioning)は、Eコマースプラットフォームにおけるユーザエクスペリエンスと製品検索の強化に重要な役割を果たしている。 RA-CoAは,ファッションイメージキャプションを2つの解釈可能なステージに分離する,トレーニング不要のフレームワークである。 RA-CoAはキャプションの品質を大幅に改善し、ゼロショットキャプションよりも平均26.3%のMETEORスコアを達成した。
• 参考スコア（独自算出の注目度）: 5.735692008673119
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fashion Image Captioning (FIC) plays a vital role in enhancing user experience and product search in e-commerce platforms. Unlike natural scene image captioning, FIC requires fine-grained visual reasoning and knowledge of domain-specific terminology to capture subtle attributes such as neckline and closure types, graphic patterns, and dress silhouettes. Moreover, as fashion inventories evolve rapidly with new trends, styles, and frequently emerging vocabulary, developing training-free captioning solution becomes essential for scalability and real-world adaptability. Instruction-tuned vision-language models (VLMs) offer a promising solution to fashion image captioning dueto their strong zero-shot capabilities and natural language fluency. However, these general-purpose models often lack attribute-level coverage and precision, and tend to hallucinate or misidentify fine-grained fashion details, making them less suitable for high-fidelity applications like product cataloging or personalized recommendations. To address this, we propose RA-CoA (Retrieval-Augmented Chain-of-Attributes), a novel, training-free framework that disentangles fashion image captioning into two interpretable stages: (i) retrieval of relevant attribute sets from a product knowledge base, and (ii) attribute-level reasoning to generate the final caption. RA-CoA is a model-agnostic approach that works with frozen VLMs to improve fine-grained attribute precision in product captions without the need for fine-tuning. Extensive evaluations across diverse VLM model families under different prompting paradigms demonstrate that RA-CoA significantly improves caption quality, achieving an average gain of 26.3% METEOR score over zero-shot captioning. We make our code publicly available.
• Abstract（参考訳）: FIC(Fashion Image Captioning)は、Eコマースプラットフォームにおけるユーザエクスペリエンスと製品検索の強化に重要な役割を果たしている。 自然なシーンイメージキャプションとは異なり、FICは、ネックラインやクロージャータイプ、グラフィックパターン、ドレスシルエットなどの微妙な属性を捉えるために、きめ細かい視覚的推論とドメイン固有の用語の知識を必要とする。 さらに、ファッションインベントリが新しいトレンド、スタイル、頻発する語彙とともに急速に進化するにつれて、トレーニングなしキャプションソリューションの開発は、スケーラビリティと現実の適応性にとって不可欠である。 インストラクション調整型視覚言語モデル(VLM)は、強力なゼロショット機能と自然言語の流速のため、ファッションイメージキャプションに対する有望な解決策を提供する。 しかしながら、これらの汎用モデルは、しばしば属性レベルのカバレッジと精度を欠き、きめ細かいファッションの詳細を幻覚または誤認する傾向があるため、製品カタログやパーソナライズされたレコメンデーションのような高忠実なアプリケーションには適さない。 これを解決するために,RA-CoA(Retrieval-Augmented Chain-of-Attributes)を提案する。 一 製品知識ベースから関連属性集合の検索及び 二 属性レベルの推論により、最終キャプションを生成すること。 RA-CoA(RA-CoA)は、凍結VLMを用いて、微調整を必要とせず、製品キャプションの微粒化特性精度を向上させるモデル非依存のアプローチである。 異なるプロンプトパラダイム下での様々なVLMモデルファミリーに対する広範囲な評価は、RA-CoAがキャプションの品質を著しく改善し、ゼロショットキャプションよりも平均26.3%のMETEORスコアを得ることを示した。 コードを公開しています。

関連論文リスト

• CapRL++: Unified Reinforcement Learning with Verifiable Rewards for Dense Image and Video Captioning [86.9494763617273]
  本稿では,Captioning Reinforcement Learning++ (CapRL++)を紹介した。 本稿では,CapRL++が高密度キャプション品質を向上し,空間的・時間的理解などのタスクにおけるキャプションベースの事前訓練を強化していることを示す。
  論文  参考訳（メタデータ） (2026-06-08T12:09:20Z)
• VIVECaption: A Split Approach to Caption Quality Improvement [4.78223063012581]
  キャプション品質は、高品質なテキスト・ツー・イメージ(T2I)とテキスト・ツー・ビデオ(T2V)生成モデルのトレーニングにおいて重要なボトルネックとなっている。 この技術レポートでは、字幕品質改善のための体系的な2面アプローチであるVIVECaptionを紹介します。
  論文  参考訳（メタデータ） (2026-03-08T01:29:07Z)
• CLIP-SCGI: Synthesized Caption-Guided Inversion for Person Re-Identification [9.996589403019675]
  person re-identification (ReID) は Contrastive Language-Image Pre-Training (CLIP) のような大規模な事前訓練された視覚言語モデルの恩恵を受けている。 本稿では、既存の画像キャプションモデルを利用して人物画像の擬似キャプションを生成する方法を提案する。 CLIP-SCGI(CLIP-SCGI)は、合成キャプションを利用して、差別的・堅牢な表現の学習をガイドするフレームワークである。
  論文  参考訳（メタデータ） (2024-10-12T06:24:33Z)
• Towards Retrieval-Augmented Architectures for Image Captioning [81.11529834508424]
  本研究は,外部kNNメモリを用いた画像キャプションモデルの構築に向けた新しい手法を提案する。 具体的には、視覚的類似性に基づく知識検索コンポーネントを組み込んだ2つのモデル変種を提案する。 我々はCOCOデータセットとnocapsデータセットに対する我々のアプローチを実験的に検証し、明示的な外部メモリを組み込むことでキャプションの品質を著しく向上させることができることを示した。
  論文  参考訳（メタデータ） (2024-05-21T18:02:07Z)
• What Makes for Good Image Captions? [50.48589893443939]
  我々のフレームワークは、優れた画像キャプションは、情報的に十分であり、最小限の冗長であり、人間によって容易に理解できるという3つの重要な側面のバランスをとるべきであると仮定している。 本稿では,局所的な視覚情報とグローバルな視覚情報を統合することで,豊かなキャプションを生成するParamid of Captions(PoCa)手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T12:49:57Z)
• Chain-of-Spot: Interactive Reasoning Improves Large Vision-Language Models [81.71651422951074]
  CoS(Chain-of-Spot)法は,注目領域に着目して特徴抽出を強化する手法である。 この技術により、LVLMは元の画像解像度を変更することなく、より詳細な視覚情報にアクセスすることができる。 実験の結果,LVLMの視覚的内容の理解と推論能力は著しく改善した。
  論文  参考訳（メタデータ） (2024-03-19T17:59:52Z)
• Improving Image Captioning Descriptiveness by Ranking and LLM-based Fusion [8.526212812623202]
  State-of-The-Art (SoTA)イメージキャプションモデルは、しばしばMicroSoft Common Objects in Contextデータセットでトレーニングされる。 本稿では,異なるSoTAキャプションモデルから生成されたキャプションを組み合わせて,よりリッチで情報性の高いキャプションを生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-06-20T15:13:02Z)
• FuseCap: Leveraging Large Language Models for Enriched Fused Image Captions [11.274127953112574]
  本稿では,「凍った」視覚専門家を用いて,既存のキャプションを視覚的詳細で拡張するための自動アプローチを提案する。 提案手法であるFuseCapは,そのような視覚専門家の出力を,大規模言語モデルを用いて原文のキャプションと融合する。 私たちはこの大規模な画像キャプチャーペアのデータセットをコミュニティ向けにリリースします。
  論文  参考訳（メタデータ） (2023-05-28T13:16:03Z)
• Paraphrasing Is All You Need for Novel Object Captioning [126.66301869607656]
  新たな物体キャプション (NOC) は, 訓練中に真実のキャプションを観察することなく, 対象を含む画像を記述することを目的としている。 本稿では,NOC の2段階学習フレームワークである Paraphrasing-to-Captioning (P2C) について述べる。
  論文  参考訳（メタデータ） (2022-09-25T22:56:04Z)
• Prompt-based Learning for Unpaired Image Captioning [86.44188293709307]
  Unpaired Image Captioning (UIC) は、非整合視覚言語サンプルペアから画像記述を学習するために開発された。 近年のVision-Language Pre-Trained Models (VL-PTMs) の成功は、プロンプトベース学習の発展を引き起こしている。 本稿では,UICモデルをトレーニングするためのプロンプトに基づく新しいスキームを提案し,その強力な一般化能力を最大限に活用する。
  論文  参考訳（メタデータ） (2022-05-26T03:13:43Z)
• Fashion Captioning: Towards Generating Accurate Descriptions with Semantic Rewards [41.04264950157818]
  本研究の目的は、正確かつ表現力のあるファッションキャプションのための新しい学習フレームワークを開発することである。 まず属性を識別し,属性レベルの意味的報酬(ALS)と文レベルの意味的報酬(SLS)をメトリクスとして導入し,テキスト記述の質を向上させる。
  論文  参考訳（メタデータ） (2020-08-06T14:52:13Z)

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。