AutoConcept：无需训练 用于元数据可用的合成图像检索的概念引导重排序

组合图像检索（CIR）从参考图像和文本修改中检索目标图像。本文研究元数据可用的 CIR 重新排名，其中固定 CIR 模型首先返回候选池，然后使用图库元数据进行第二阶段概念引导评分。我们推出了 AutoConcept，一个 无需训练 重新排序器，可将概念证据转换为可解释的记忆。 AutoConcept 过滤嘈杂的概念，通过辅助负惩罚激活与查询相关的正约束，并通过推理时间校准将基本检索分数与基于元数据的概念候选对齐相结合。在 FashionIQ 上，AutoConcept 比 WeiMoCIR 取得了显着的早期排名改进，并在 LinCIR 候选池上获得了一致的插件增益。元数据感知控制表明，结构化概念记忆在直接查询文本和提取属性匹配之外添加了信号，而仅查询变体进一步支持概念级重新排名的有效性。一项补充的真人概念标签研究表明，相同的记忆界面可以消耗参与者提供的证据。这些结果将 AutoConcept 定位为具有可用元数据的产品式 CIR 画廊的可解释概念记忆重新排序器。