基于记忆增强的用户查询意图理解：面向高效聊天式图像检索
计算机视觉与模式识别
2026-05-19 v1
摘要
不同于传统文本到图像检索任务，聊天式图像检索允许人机交互系统通过多轮对话不断澄清和细化用户意图，从而实现更精细的检索结果。其关键挑战在于动态理解和跨对话轮次更新用户查询意图。虽然已有工作在该新任务上取得优异性能，但仅通过直接拼接所有历史查询形成长文本序列或依赖大型语言模型从历史中重构当前查询来处理历史查询信息，这些策略计算冗余且容易导致意图表征随对话推进不一致。为缓解此问题，本文提出一种新型且高效的记忆驱动的用户查询意图更新框架，称为Memory-Augmented Query Intent Understanding（MAQIU）。它引入轻量级记忆模块，动态聚合和演化查询意图的语义表征，同时采用记忆召回机制防止意图遗忘并提升长期语义完整性。此外，MAQIU还整合历史图像检索结果作为视觉指导，使模型能够强化跨轮关联性并细化当前视觉理解。广泛实验表明，MAQIU在保持高计算效率的同时实现显著性能提升，使对话编码浮运算（FLOPs）减少了86.4%。
引用
@article{arxiv.2605.17365,
title = {Memory-Augmented Query Intent Understanding for Efficient Chat-based Image Retrieval},
author = {Xianke Chen and Daizong Liu and Yushuo Lou and Xin Tan and Xun Yang and Shuhui Wang and Xun Wang and Jianfeng Dong},
journal= {arXiv preprint arXiv:2605.17365},
year = {2026}
}