arXiv · 机器人与计算机视觉· Zhao Gao, Mina Metias, Mohamed Noordeen Alaudeen, Bassel Saleh·· 2026-10-20AI 评分33
CaptionFuse:通过 VLM 意图描述与加权嵌入融合实现免训练组合商品检索
CaptionFuse: Training-Free Composed Product Retrieval Via VLM Intent Captioning and Weighted Embedding Fusion
AI 导读
CaptionFuse 方法利用视觉语言模型(VLM)将参考图像与用户修改指令融合,生成包含缺失属性的产品标题描述以解决免训练检索中的属性稀疏问题。实验表明该方法无需特定任务训练且模型无关,在保持指令式与描述式提示词效果一致的前提下,相比原始修改指令 R@10 提升 6.5 个点。该研究属于计算机视觉领域预印本,代码与权重开放许可状态待 arXiv 注册确认。
来源:arXiv · 机器人与计算机视觉 · arxiv.org