INTENT：面向稳健组合图像检索的不变性与判别性噪声缓解
计算机视觉与模式识别
2026-04-21 v1
摘要
组合图像检索（CIR）是一种 Enables 基于参考图像和修改文本构成的多模态查询检索目标图像的图像检索范式。尽管近年来取得了显著进展，但现有方法假设所有样本都正确匹配。然而，在现实场景中，由于高昂的三元组标注成本，CIR数据集不可避免地包含标注错误，导致错误匹配的三元组。为解决此问题，无噪声三元组对应（NTC）问题受到日益关注的注意。我们认为CIR的噪声可分为两种类型：跨模态对应噪声和模态内在噪声。前者源于跨模态之间的不匹配，后者则源于单模态内部背景干扰或与粗糟修改注释无关的视觉因素。然而，模态内在噪声常被忽视，针对跨模态对应噪声的研究仍处于初萌阶段。为解决上述问题，我们提出了包含两个组件的不变性与判别性awarE Noise neTwork（INTENT），专为处理两种方面的噪声设计：视觉不变性组合和双目标判别学习。前者通过快速傅里叶变换（FFT）对视觉侧进行因果干预以生成干扰后的组合特征，强制视觉不变性，使模型在组合时忽略模态内在噪声。后者采用包含正负样本的协作优化，构建可扩展的决策边界，动态调整决策基于忠诚度程度，实现稳健的对应判别。大量实验表明，INTENT在两个广泛使用的基准数据集上显示出卓越的优势和鲁棒性。
引用
@article{arxiv.2604.18051,
title = {INTENT: Invariance and Discrimination-aware Noise Mitigation for Robust Composed Image Retrieval},
author = {Zhiwei Chen and Yupeng Hu and Zhiheng Fu and Zixu Li and Jiale Huang and Qinlei Huang and Yinwei Wei},
journal= {arXiv preprint arXiv:2604.18051},
year = {2026}
}
备注
Accepted by AAAI 2026