إطار ما بعد الحدث الفعال لتقليل الاختلاف بين المهام لمُشفِّرات النص لاسترجاع الصور المركبة

استرجاع الصور المركبة (CIR) يهدف إلى استرجاع صورة الهدف بناءً على صورة مرجعية ونص شرطي، مما يمكّن من البحث في الصور بشكل قابل للتحكم. تتجاوز الأساليب الرئيسية لـ CIR بدون تدريب (ZS) الحاجة إلى تدريب ثلاثيات CIR باهظة الثمن من خلال إسقاط تمثيلات الصور في فضاء تمثيلات الرموز النصية، مما يشكل استعلامًا مركبًا للاسترجاع. ومع ذلك، نسلط الضوء على قيود جوهرية في هذه الأساليب القائمة على الإسقاط: اختلاف مهمة مرمّزي النص بين مهمة التدريب الأولية للمرمّزين (النص $\leftrightarrow$ الصورة) ومهمة CIR المستهدفة (الصورة + النص $\leftrightarrow$ الصورة)، والتي قد تؤثر سلبًا على أداء CIR. لتقليل هذا الاختلاف، يمكن أن يكون الحل البسيط هو تدريب كلا المرمّزين (الصورة والنص) بثلاثيات CIR بطريقة مراقبة. بدلاً من ذلك، نقدم طريقة جديدة تُعرف بتقليل اختلاف مهمة مرمّزي النص (RTD)، وهي إطار عمل ما بعد الحدث فعّال يستند فقط إلى النص ويكمّل الأساليب القائمة على الإسقاط لـ CIR. نصمم استراتيجية تعليم تضاد نصوص مستهدفة جديدة مصممة لتعزيز قدرة مرمّز النص لـ CIR. كما نقترح تعديلين رئيسيين: (1) استراتيجية اختيار دفعات معادلة تستند إلى الأمثل السلبي الشديد و(2) نظام اتصال معادل لتخفيف الاختلاف بين التدريب والاستنتاج بشكل أكبر. يؤدي دمج RTD في الأساليب القائمة على الإسقاط الأكثر تقدمًا إلى تحقيق أداء مشابه أو حتى أفضل من الأساليب الأكثر تقدمًا التي تعتمد على ثلاثيات CIR التركيبية والمكلفة بالموارد، وذلك باستخدام 23 دقيقة فقط من التدريب الإضافي على 4 بطاقات A100 (أسرع بمقدار يصل إلى $100\times$ في التدريب). سيتم توفير شفرتنا عند قبول البحث.