arXiv · cs.CL· Khang Nhat Hoang Vo·· 3 天前AI 评分34
邻居的低语：将描述共识重思为视觉-语言检索的推理时证据
Whispers from the Neighbors: Rethinking Caption Consensus as Inference-Time Evidence for Vision-Language Retrieval
来源与原文
arXiv · cs.CL
作者：Khang Nhat Hoang Vo
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.33798v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
该 arXiv 论文提出在推理时让冻结双编码器利用同一图像的多条描述提升文本到图像检索：当描述与查询来自相同标注者时，九个冻结编码器的 R@1 提升 3.4 至 16.8 点；改用现成 captioner 生成时降至 1.9 至 7.2 点，跨标注源时最多约 1 点。分析表明正确候选的支持方式与负例不同，且该增益源于匹配人类描述，并未改善图像-文本 grounding。
来源：arXiv · cs.CL · arxiv.org