ConeSep：面向组合图像检索的基于锥体的鲁棒噪声遗忘组合网络
计算机视觉与模式识别
2026-04-23 v1
摘要
组合图像检索（CIR）任务通过参考图像和修改文本提供了一种灵活的检索范式，但它严重依赖昂贵且易出错的三元组标注。本文系统地研究了由标注引入的噪声三元组对应（NTC）问题。我们发现，NTC 噪声，特别是“硬噪声”（即参考图像和目标图像高度相似但修改文本不正确），对现有的噪声对应学习（NCL）方法构成了独特挑战，因为它打破了传统的“小损失假设”。我们识别并阐明了 NTC 任务中三个关键但被忽视的挑战，即（C1）模态抑制、（C2）负锚点不足和（C3）遗忘反冲。为解决这些挑战，我们提出了一个基于锥体的鲁棒噪声遗忘组合网络（ConeSep）。具体来说，我们首先提出几何保真度量化，从理论上建立并在实践中估计一个噪声边界，以精确定位噪声对应。接着，我们引入负边界学习，为每个查询学习一个“对角负组合”，作为其在嵌入空间中的显式语义对立锚点。最后，我们设计了基于边界的目标遗忘，将噪声校正过程建模为一个最优传输问题，从而巧妙地避免了遗忘反冲。在基准数据集（FashionIQ 和 CIRR）上的大量实验表明，ConeSep 显著优于当前最先进的方法，充分证明了我们方法的有效性和鲁棒性。
引用
@article{arxiv.2604.20358,
title = {ConeSep: Cone-based Robust Noise-Unlearning Compositional Network for Composed Image Retrieval},
author = {Zixu Li and Yupeng Hu and Zhiwei Chen and Mingyu Zhang and Zhiheng Fu and Liqiang Nie},
journal= {arXiv preprint arXiv:2604.20358},
year = {2026}
}
备注
Accepted by CVPR 2026