DiCo：面向文本到图像行人重识别的解耦概念表示
计算机视觉与模式识别
2026-02-12 v2
摘要
文本到图像行人重识别 (TIReID) 旨在根据自由形式的文本描述，从大型图像库中检索行人图像。由于视觉外观与文本表达之间存在显著的模态差异，以及需要建模细粒度对应关系以区分具有相似属性（如服装颜色、纹理或着装风格）的个体，TIReID 极具挑战性。为解决这些问题，我们提出了 DiCo（解耦概念表示），一种实现分层且解耦的跨模态对齐的新框架。DiCo 引入了一种基于共享槽位的表示方法，其中每个槽位作为跨模态的部件级锚点，并进一步分解为多个概念块。这种设计能够在保持图像与文本之间一致的部件级对应的同时，解耦互补属性（例如颜色、纹理、形状）。在 CUHK-PEDES、ICFG-PEDES 和 RSTPReid 上的大量实验表明，我们的框架取得了与最先进方法相当的性能，同时通过显式的槽位和块级表示增强了可解释性，从而获得更细粒度的检索结果。
引用
@article{arxiv.2601.10053,
title = {DiCo: Disentangled Concept Representation for Text-to-image Person Re-identification},
author = {Giyeol Kim and Chanho Eom},
journal= {arXiv preprint arXiv:2601.10053},
year = {2026}
}