text-to-image retrieval | BriefGPT

关键词text-to-image retrieval

搜索结果 - 12

统一的文本到图像生成和检索
研究中，我们提出了一个统一框架，以多模态大型语言模型（MLLMs）为背景，探索了文本到图像生成和检索之间的关系，并引入了一种生成检索方法，在无需训练的情况下进行检索。我们还构建了一个基准测试集 TIGeR-Bench 以标准化统一的文本到图
PDF23 days ago
为改写检索调整双编码图像 - 语言模型
通过改进训练策略，对双编码器模型进行优化，提高了语义相似性的检索结果，同时保持了零样本分类和检索准确性。
PDF2 months ago
ACL视觉 - 语言模型是否理解复合名词？
开放词汇视觉 - 语言模型（VLMs）如 CLIP 是一种有前景的文本到图像检索方法，然而，对于复合名词（CN）是否能像对待名词一样理解得好呢？本研究构建了 Compun 基准测试以评估 VLMs 在解释 CNs 方面的有效性，并深入分析了
PDF3 months ago
Text2Pic Swift：大规模图书馆中增强长文本到图像检索
Text2Pic Swift 框架通过引入两阶段方法（Entity-based Ranking 和 Summary-based Re-ranking）以及 Decoupling-BEiT-3 编码器，在大规模、多样化和具有模糊查询的检索场景
PDF4 months ago
MM基于更丰富自我学习的文本至图像人物重识别中的综合表示学习
基于多对多匹配和多视角信息的文本到图像的个体重识别，并使用 LCR^2S 框架提出了一个轻量级模型用于推理时进行语义关联和多视角信息推理，以实现准确的文本到图像检索。
PDF8 months ago
ACL跨模态属性插入，评估视觉语言学习的鲁棒性
本文提出了一种跨模态属性插入的策略，该策略将图像中的视觉属性插入到文本数据中，用于深度视觉和语言模型的鲁棒性评估，并发现相对于纯文本数据，跨模态属性插入提高了深度视觉和语言模型的数据增广质量。
PDFa year ago
Sticker820K: 通过表情包强化交互检索
提出了一个大规模的中文贴纸数据集，Sticker820K，以及一个基于该数据集的 StickerCLIP 模型，其在贴纸数据集上的文本到图像检索任务中表现出强大的优势，并引入了 prompt tuning 技术扩展 LLM 模型的能力。
PDFa year ago
ScaleFace：基于不确定性的深度度量学习
提出了一种深度度量学习方法，使用可训练的比例值来修正嵌入空间中的相似性，从而达到识别结果的不确定性评估，进而证明了该方法在人脸识别和文本到图像检索等方面的准确性和有效性。
PDF2 years ago
一个模型，多种模态：文本、声音、图像、视频和代码的稀疏激活方法
本文提出了一个能够优秀地处理多模态信息的模型，名为 SkillNet，其不同的参数部分专门用于处理不同的信息模态，并且可以稀疏激活模型参数的相关技能。我们使用自监督预训练方式对五种模态进行了开发，结果表明该模型表现与五个模态特定的微调模型相
PDF2 years ago
AAAI文本到图像检索的跨模态一致性
本文提出了一种跨模态相依的一致性模型，用于提高现有联合理解模型的性能，结果展示出使用相依性理念的模型能够更好地检索与目标文本相关的图像，这对不同模态间的沟通及在捕获文本与图像常识推理中相依性关系的角色具有重要的研究意义。
PDF3 years ago
ACLVisualSparta：一种简单到可笑的加权词袋文本图像大规模搜索方法
本文介绍了一种名为 VisualSparta 的基于稀疏变换匹配的 Transformer 模型，旨在实现跨模态信息检索领域中的文本检索图像任务，具有较高准确性和效率，可在大规模数据集中实现实时搜索。
PDF4 years ago
跨模态检索任务的多语言词嵌入对齐
提出了一种新的方法来学习多模态多语言嵌入，用于匹配两种语言中图像及其相关标题，结合两个现有的目标函数，在模型中调整现有语言之间的词嵌入对齐，证明该方法实现了更好的泛化，在文本 - 图像和图像 - 文本检索任务中，以及标题 - 标题相似性任务
PDF5 years ago