論文の概要: QMSR: Query-Conditioned Mask-wise Expert Routing for Robust Open-Vocabulary Underwater Object Retrieval

• arxiv url: http://arxiv.org/abs/2609.18752v1
• Date: Wed, 16 Sep 2026 14:43:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.854851
• Title: QMSR: Query-Conditioned Mask-wise Expert Routing for Robust Open-Vocabulary Underwater Object Retrieval
• Title（参考訳）: QMSR:ロバストなオープン語彙水中オブジェクト検索のためのクエリコンディション付きマスクワイズエキスパートルーティング
• Abstract要約: bfQMSRは、水中でのオープン語彙検索のためのクエリ条件付きマスクワイズエキスパートルーティングフレームワークである。 QMSRは、クエリ候補ペア毎にトレーニング済みのUIEエキスパートを1つ選択し、連続Raw-Expert融合強度を予測する。
• 参考スコア（独自算出の注目度）: 21.283620039967026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-vocabulary object retrieval remains challenging in complex underwater environments. Although underwater image enhancement (UIE) can improve visual quality, fixed UIE strategies may even underperform the Raw representation in retrieval, indicating that enhancement should not be applied as a uniform preprocessing step. To address this problem, we propose \textbf{QMSR}, a query-conditioned mask-wise expert routing framework for underwater open-vocabulary retrieval. Specifically, QMSR selects one pretrained UIE expert for each query--candidate pair and predicts a continuous Raw--Expert fusion strength, enabling adaptive enhancement while preserving useful Raw semantics. During training, a privileged ranking oracle provides expert-selection and fusion-strength supervision, while an annealed soft-routing relaxation facilitates optimization of the hard Top-1 routing policy. Experiments show that QMSR improves NDCG@10 by 17.6\% over an image--query shared router, while consistently outperforming fixed UIE strategies and remaining effective on held-out query categories. These results demonstrate the effectiveness of query-conditioned and candidate-specific enhancement routing for underwater open-vocabulary retrieval.
• Abstract（参考訳）: 複雑な水中環境では、オープンボキャブラリオブジェクトの検索は依然として困難である。 水中画像強調(UIE)は視覚的品質を向上させることができるが、固定されたUIE戦略は検索においてRaw表現を過小評価し、一様前処理ステップとしてエンハンスメントを適用するべきではないことを示す。 この問題に対処するために,水中のオープン語彙検索のためのクエリ条件付きマスクワイズ・エキスパート・ルーティング・フレームワークである \textbf{QMSR} を提案する。 具体的には、QMSRはクエリ候補ペアごとにトレーニング済みのUIEエキスパートを選択し、連続Raw-Expert融合強度を予測し、有用なRawセマンティクスを保持しながら適応的な拡張を可能にする。 訓練中、特権階級のオラクルは専門家の選択と融合強度の監督を提供し、アニールされたソフトルーティング緩和は、ハードトップ1ルーティングポリシーの最適化を促進する。 実験の結果、QMSRは画像クエリ共有ルータよりもNDCG@10を17.6\%改善し、固定UIE戦略を一貫して上回り、保持されたクエリカテゴリで有効であることが示されている。 これらの結果から, 水中自由語彙検索におけるクエリ条件付きおよび候補固有拡張ルーティングの有効性が示された。

関連論文リスト

• MMAgent-R$^2$: Learning to Rerank and Reject for Agentic mRAG [50.46218163777298]
  知識に基づくビジュアル質問回答 (KB-VQA) では、大規模百科事典の知識ベースからクエリ画像と一致する視覚エンティティを検索し、関連する質問に答える必要がある。 MMAgent-R$2$は、視覚的リランク化と能動的拒絶を内部検証機構として統合したエージェントmRAGフレームワークである。
  論文  参考訳（メタデータ） (2026-07-08T13:15:39Z)
• An Agent-Oriented Pluggable Experience-RAG Skill for Experience-Driven Retrieval Strategy Orchestration [0.0]
  Experience-RAG Skillはエージェント指向のプラグ可能な検索オーケストレーション層で、エージェントとレトリバープールの間に位置する。 固定候補プールの下では、Experience-RAG SkillはBeIR/nq、BeIR/Hotpotqa、BeIR/scifactで0.8924のnDCG@10を達成する。
  論文  参考訳（メタデータ） (2026-05-05T17:10:25Z)
• Cycle-Consistent Search: Question Reconstructability as a Proxy Reward for Search Agent Training [80.20022221643414]
  Cycle-Consistent Searchは、検索エージェントを訓練するための金色のスーパービジョンのないフレームワークである。 CCSは教師付きベースラインに匹敵する性能を示す。 これらの結果から,CCSは金の監督が不可能な環境で検索エージェントを訓練するためのスケーラブルな訓練パラダイムを提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-04-14T17:00:18Z)
• CONQUER: Context-Aware Representation with Query Enhancement for Text-Based Person Search [0.0]
  テキストベースパーソンサーチ(TBPS)は,大規模ギャラリーから自然言語による歩行者画像の検索を目的としている。 トレーニング中のクロスモーダルアライメントを強化し、推論時にクエリを適応的に精製することで、これらの課題に対処するために設計された2段階のフレームワークであるConQUERを紹介する。 CUHK-PEDES、ICFG-PEDES、RSTPReidの実験では、ConQUERはランク1の精度とmAPの両方で強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-26T16:01:33Z)
• Joint Learning using Mixture-of-Expert-Based Representation for Enhanced Speech Generation and Robust Emotion Recognition [54.44798086835314]
  音声感情認識(SER)は感情認識音声システム構築において重要な役割を担っているが,その性能は雑音下で著しく低下する。 本稿では, フレームワイド・エキスパート・ルーティングを自己教師付き音声表現に応用した, フレキシブルMTLフレームワークSparse Mixture-of-Experts Representation Integration Technique (Sparse MERIT)を提案する。 MSP-Podcastコーパスの実験では、Sparse MERITはSERとSEの両方のタスクのベースラインモデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-09-10T10:18:56Z)
• POQD: Performance-Oriented Query Decomposer for Multi-vector retrieval [8.05982973499578]
  Performance-Oriented Query Decomposer (POQD)は、Multi-Retrieval(MVR)のための新しいクエリ分解フレームワークである。 POQDは、Retrieval-Augmented Generation (RAG)システムのような任意の検索ベースのシステムにシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-05-25T15:31:52Z)
• Unified Active Retrieval for Retrieval Augmented Generation [69.63003043712696]
  Retrieval-Augmented Generation (RAG)では、検索は必ずしも役に立たない。 既存のアクティブ検索手法は2つの課題に直面している。 彼らは通常、様々な種類の命令を扱うのに苦労する単一の基準に頼っている。 それらは特殊で高度に区別された手順に依存しており、それらを組み合わせることでRAGシステムはより複雑になる。
  論文  参考訳（メタデータ） (2024-06-18T12:09:02Z)
• Generation-Augmented Retrieval for Open-domain Question Answering [134.27768711201202]
  GAR(Generation-Augmented Retrieval)は、オープンドメインの質問に答える機能である。 クエリーに対して多様なコンテキストを生成することは、結果の融合が常により良い検索精度をもたらすので有益であることを示す。 GARは、抽出読取装置を備えた場合、抽出QA設定の下で、自然質問およびトリビアQAデータセットの最先端性能を達成する。
  論文  参考訳（メタデータ） (2020-09-17T23:08:01Z)

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。