摘要

人类相较于现代人工智能模型的一项显著优势，在于能够对图像进行超越视觉表象的深层理解。以以下两个自然语言搜索查询为例：（i）“一群顾客耐心排队等待购买冰淇淋”；（ii）“一群游客前往印度参观著名的莫卧儿建筑”。要准确理解这两个查询，需要具备两方面的能力：其一，运用常识推理，例如识别图像中的人物是顾客还是游客，行为是“排队购买”还是“前往参观”；其二，依赖与命名视觉实体相关的事实性知识，例如判断图像中的店铺是否售卖冰淇淋，或图像中的地标是否为位于印度的莫卧儿风格建筑。这种推理能力远超单纯的视觉识别范畴。为在图像搜索任务中同时支持常识推理与事实性知识推理，我们提出一种统一框架——知识检索增强的多模态Transformer（Knowledge Retrieval-Augmented Multimodal Transformer, KRAMT）。该框架将图像中的命名视觉实体视为通向百科知识的入口，结合自然语言查询，实现对相关知识的精准定位与融合。进一步地，KRAMT能够无缝整合视觉内容与所锚定的知识信息，从而学习图像与搜索查询之间的语义对齐关系。该统一框架被用于执行需要常识与事实推理能力的图像搜索任务。我们通过引入一个新数据集——COFAR（Commonsense and Factual Reasoning in Image Search），对KRAMT的检索性能进行了评估，并与现有相关方法进行了对比。实验结果表明，KRAMT在复杂语义理解任务中表现出优越性能。相关代码与数据集已公开，可访问 https://vl2g.github.io/projects/cofar 获取。