无需训练的实体级区域约束可提升组合图文匹配得分。
资讯摘要
论文提出 ConstraintMatch，一种无需训练的推理方法，将实体级区域一致性转化为显式匹配代价，用于组合式图文检索。作者报告，在 Qwen~2B 与 CORE~2B 上平均，该方法在 ARO Attribute 上比全局匹配提升 7.70 个百分点，在 SugarCrepe++ 属性交换上提升 5.63 个百分点；与适配相同 13 裁剪预算的 SGI 相比，分别提升 4.85 和 3.51 个百分点。
要点速读
- ConstraintMatch 无需训练，在冻结的图文相似度矩阵上比较各类别与属性独立裁剪选择与实体共享裁剪选择之间的差距，以量化放松共享区域约束带来的分数优势。
- 方法利用同图空间参考校准该差距，并对每个实体做截断以防残差相互抵消，最终从全局相似度中减去缩放后的平均代价。
- 作者报告在 ARO Attribute 与 SugarCrepe++ 属性交换任务上优于全局匹配及同预算 SGI，并通过受控分析区分共享区域匹配与候选分数校准的作用。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。