Fugu-MT 論文翻訳(概要): DCR-TSF: Dual-Level Compositional Reasoning with Triadic Spherical Fusion for Training-Free Zero-Shot Composed Image Retrieval

論文の概要: DCR-TSF: Dual-Level Compositional Reasoning with Triadic Spherical Fusion for Training-Free Zero-Shot Composed Image Retrieval

arxiv url: http://arxiv.org/abs/2610.26078v1
Date: Mon, 19 Oct 2026 09:34:58 GMT
ステータス: 情報取得中
システム内更新日: 2026-10-20 22:36:15.891529
Title: DCR-TSF: Dual-Level Compositional Reasoning with Triadic Spherical Fusion for Training-Free Zero-Shot Composed Image Retrieval
Title（参考訳）: DCR-TSF--DCR-TSF--DCR-TSF---DCR-TSF--DCR-TSF-----TSF------------------------------------------------ ----------------------------------
Abstract要約: ゼロショット合成画像検索(ZS-CIR)は、意図したテキスト修正を反映したターゲット画像の検索を目的としている。 DCR(Dual-level compositional Reasoning)とTSF(Tiadic Spherical Fusion)を組み合わせたトレーニングフリーなZS-CIRフレームワークであるDCR-TSFを提案する。本手法は,トレーニングフリー手法の最先端性能を実現する。
参考スコア（独自算出の注目度）: 52.15696141238419
License:
Abstract: Zero-shot composed image retrieval (ZS-CIR) aims to retrieve a target image that reflects an intended textual modification while maintaining semantic consistency with a reference image. Existing training-free ZS-CIR methods typically rely on fine-grained generated target descriptions, which often overemphasize reference-specific visual details and lead to appearance-biased retrieval. Moreover, since these descriptions are generated through multimodal large language models (MLLMs), the direct influence of the original image-text query can be weakened in the final retrieval representation. In this paper, we propose DCR-TSF, a training-free ZS-CIR framework that combines Dual-level Compositional Reasoning (DCR) and Triadic Spherical Fusion (TSF). DCR generates fine- and coarse-grained descriptions from the reference image and modification text, capturing complementary target-side semantics across different granularities. To preserve the original image-text query information, TSF constructs a composed-query anchor by spherically interpolating the reference image feature and modification text feature, and fuses it with the fine- and coarse-grained representations using a weighted Karcher mean on the unit hypersphere. The resulting final query representation balances detailed visual evidence, high-level semantic abstraction, and direct preservation of the original composed query. Extensive experiments on CIRCO, CIRR, and Fashion-IQ demonstrate that our method achieves state-of-the-art performance among training-free methods.
Abstract（参考訳）: ゼロショット合成画像検索(ZS-CIR)は、参照画像とのセマンティック一貫性を維持しつつ、意図したテキスト修正を反映したターゲット画像の検索を目的としている。既存の訓練不要なZS-CIR法は、通常、細粒度のターゲット記述に依存しており、参照固有の視覚的詳細を過度に強調し、外観バイアスのある検索につながる。さらに、これらの記述はマルチモーダル大言語モデル(MLLM)を通して生成されるので、最終的な検索表現において、元の画像テキストクエリの直接的な影響を弱めることができる。本稿では、DCR(Dual-level compositional Reasoning)とTSF(Tiadic Spherical Fusion)を組み合わせた、トレーニング不要なZS-CIRフレームワークであるDCR-TSFを提案する。 DCRは、参照画像と修正テキストから細粒度と粗粒度の記述を生成し、異なる粒度にわたる補完的なターゲット側のセマンティクスをキャプチャする。元の画像テキストクエリ情報を保存するために、TSFは、参照画像特徴と修正テキスト特徴を球形で補間して合成クエリアンカーを構築し、単位超球面上の重み付きカーチャー平均を用いて細粒度および粗粒度表現と融合する。最終的なクエリ表現は、詳細なビジュアルエビデンス、ハイレベルなセマンティック抽象化、オリジナルのコンポジションクエリの直接保存のバランスをとる。 CIRCO,CIRR,Fashion-IQの大規模実験により,本手法が訓練不要手法の最先端性能を実現することを示す。

関連論文リスト

DiCE-CIR: Direct Composition Learning for Efficient Zero-Shot Composed Image Retrieval [52.15696141238419]
ゼロショット合成画像検索(ZS-CIR)は、参照画像と編集テキストからなるマルチモーダルクエリから対象画像を検索することを目的としている。提案するDiCE-CIRは,参照画像と編集テキストを直接合成することで,合成されたクエリ表現を予測する直接合成学習手法である。
論文参考訳（メタデータ） (2026-07-06T04:37:30Z)
SDR-CIR: Semantic Debias Retrieval Framework for Training-Free Zero-Shot Composed Image Retrieval [10.874487857707038]
Composed Image Retrieval (CIR) は、参照画像と修正テキストからなるクエリからターゲット画像を取得することを目的としている。 SDR-CIR(SDR-CIR)を提案する。
論文参考訳（メタデータ） (2026-02-04T11:24:35Z)
Multimodal Reasoning Agent for Zero-Shot Composed Image Retrieval [52.709090256954276]
Zero-Shot Composed Image Retrieval (ZS-CIR) は、合成クエリによってターゲット画像を取得することを目的としている。本稿では,ZS-CIRにMRA(Multimodal Reasoning Agent)を用いた新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-26T13:17:50Z)
Fine-grained Textual Inversion Network for Zero-Shot Composed Image Retrieval [60.20835288280572]
本稿では,FTI4CIR という ZS-CIR のためのテキスト・インバージョン・ネットワークを提案する。 FTI4CIRは、微粒な擬ワードトークンマッピングとトリワイズキャプションベースのセマンティック正規化の2つの主要コンポーネントから構成される。
論文参考訳（メタデータ） (2025-03-25T02:51:25Z)
Data-Efficient Generalization for Zero-shot Composed Image Retrieval [67.46975191141928]
ZS-CIRは、トレーニングのために配布する三つ子を必要とせず、参照画像とテキスト記述に基づいて対象画像を検索することを目的としている。 1つの一般的なアプローチは、マッピングネットワークを用いてテキスト埋め込み空間内の擬似ワードトークンに画像埋め込みを転送するビジョン言語事前学習パラダイムである。テキスト・サプリメント(TS)モジュールとセマンティック・セット(S-Set)という2つの新しい設計を含む,データ効率の一般化(DeG)フレームワークを提案する。
論文参考訳（メタデータ） (2025-03-07T07:49:31Z)
Spherical Linear Interpolation and Text-Anchoring for Zero-shot Composed Image Retrieval [43.47770490199544]
Composed Image Retrieval (CIR)は、画像とキャプションで構成されたクエリを使って画像を取得する複雑なタスクである。 Slerp(Spherical Linear Interpolation)を用いて画像とテキストを直接マージする新しいZS-CIR手法を提案する。また,テキストエンコーダを固定しながら画像エンコーダを微調整するText-Anchored-Tuning (TAT)を導入する。
論文参考訳（メタデータ） (2024-05-01T15:19:54Z)
Training-free Zero-shot Composed Image Retrieval with Local Concept Reranking [34.31345844296072]
合成画像検索は、参照画像と対応する修正テキストの合成クエリを通して、ギャラリー画像から興味のある画像を検索しようとする。現在の構成画像検索手法の多くは、参照画像、修正テキスト、対応するターゲット画像からなるコストのかかる3重化データセットのトレーニングに対する教師付き学習アプローチに従っている。そこで本研究では,学習不要なゼロショット合成画像検索手法を提案する。
論文参考訳（メタデータ） (2023-12-14T13:31:01Z)
Sentence-level Prompts Benefit Composed Image Retrieval [69.78119883060006]
合成画像検索(CIR)は、参照画像と相対キャプションの両方を含むクエリを用いて、特定の画像を検索するタスクである。本稿では,事前訓練されたV-Lモデル,例えばBLIP-2を用いて文レベルのプロンプトを生成することを提案する。提案手法は,Fashion-IQおよびCIRRデータセット上の最先端のCIR手法に対して良好に動作する。
論文参考訳（メタデータ） (2023-10-09T07:31:44Z)

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。