iSEARLE: ゼロショット合成画像検索のためのテキスト逆転換の改善

参照画像と相対的なキャプションからなるクエリが与えられた場合、合成画像検索（Composed Image Retrieval: CIR）は、参照画像に視覚的に類似したターゲット画像を検索し、相対的なキャプションで指定された変更を組み込むことを目指します。教師あり手法の労力が必要な手動ラベリングデータセットへの依存は、その広範な適用を妨げています。本研究では、ラベル付き訓練データセットを必要とせずにCIRに対処する新しい課題であるZero-Shot CIR（ZS-CIR）を導入します。また、iSEARLE（improved zero-Shot composed image retrieval with textual inversion：テキスト逆転による改善されたゼロショット合成画像検索）というアプローチを提案します。このアプローチでは、参照画像の視覚情報をCLIPトークン埋め込み空間内の擬似単語トークンにマッピングし、それを相対的なキャプションと組み合わせます。ZS-CIRに関する研究を促進するために、一般的なオブジェクトのコンテキストでの合成画像検索（Composed Image Retrieval on Common Objects in context: CIRCO）というオープンドメインのベンチマークデータセットを提示します。これは、各クエリが複数の正解ラベルと意味的分類を持つ最初のCIRデータセットです。実験結果は、iSEARLEがFashionIQ、CIRR、および提案されたCIRCOという3つの異なるCIRデータセットと、ドメイン変換およびオブジェクト合成という2つの追加評価設定において最先端の性能を得ていることを示しています。データセット、コード、モデルは公開されており、https://github.com/miccunifi/SEARLE からアクセスできます。