既存のクロスモーダル検索（CMR）手法の成功は、アノテーションされたクロスモーダル対応関係が完全に正確であるという仮定に大きく依存している。しかし実際には、データ収集やアノテーションの過程で一部のペアの対応関係が必然的に汚染され、いわゆる「ノイズ対応（Noisy Correspondence: NC）」問題が生じる。このNCの影響を軽減するために、本研究では「一貫性の精査とマイニング（Consistency REfining And Mining: CREAM）」と呼ばれる新たな手法を提案する。本手法は、対応関係（correspondence）と一貫性（consistency）の違いを明らかにし、それを活用する点に特徴がある。具体的には、真陽性および真陰性ペアにおいてのみ対応関係と一貫性が一致するが、偽陽性および偽陰性ペアでは両者は異なる。この観察に基づき、CREAMは協調学習（collaborative learning）フレームワークを用いて陽性ペアの対応関係を検出・修正し、負例マイニング（negative mining）戦略を採用して一貫性を探索・活用する。CREAMのこの一貫性の精査とマイニング戦略により、偽陽性への過学習を抑制するとともに、偽陰性に内在する一貫性を有効に活用できるため、堅牢なCMR手法の実現が可能となる。広範な実験により、Flickr30K、MS-COCO、Conceptual Captionsの3つの画像-テキストベンチマークにおいて本手法の有効性が確認された。さらに、本手法をグラフマッチングタスクに適用した結果、細粒度なNC問題に対しても高いロバスト性を示した。実装コードは以下のURLにて公開されている：https://github.com/XLearning-SCU/2024-TIP-CREAM。