面向行人检索的对话驱动文本生成与交互
计算与语言
2025-10-01 v2
摘要
基于文本的行人搜索（TBPS）允许使用自然语言描述从大规模数据库中检索行人图像，在监控应用中具有重要价值。然而，一个主要挑战在于获取高质量文本标注的过程十分耗费人力，这限制了其可扩展性和实际部署。为了解决这个问题，我们引入了两个互补模块：多轮文本生成（MTG）和多轮文本交互（MTI）。MTG 通过与 MLLM 的模拟对话生成丰富的伪标签，在无需人工监督的情况下产生细粒度且多样的视觉描述。MTI 在推理时通过基于对话的动态推理来细化用户查询，使系统能够解释并解决真实搜索场景中常见的模糊、不完整或歧义描述。MTG 和 MTI 共同构成了一个统一且无需标注的框架，显著提高了检索的准确性、鲁棒性和可用性。广泛的评估表明，我们的方法在消除对人工描述依赖的同时取得了具有竞争力或更优的结果，为 TBPS 系统的可扩展和实际部署铺平了道路。
引用
@article{arxiv.2509.12662,
title = {Chat-Driven Text Generation and Interaction for Person Retrieval},
author = {Zequn Xie and Chuxin Wang and Sihang Cai and Yeqiang Wang and Shulei Wang and Tao Jin},
journal= {arXiv preprint arXiv:2509.12662},
year = {2025}
}
备注
Accepted to EMNLP 2025 Main Conference. 13 pages, 3 figures