摘要

在组合图像检索（Composed Image Retrieval, CIR）中，用户将查询图像与文本结合，以描述其预期的目标。现有的方法依赖于使用标记的三元组（包括查询图像、文本说明和目标图像）对CIR模型进行监督学习。然而，标记这些三元组的成本较高，限制了CIR的广泛应用。在这项工作中，我们提出研究一个重要的任务——零样本组合图像检索（Zero-Shot Composed Image Retrieval, ZS-CIR），其目标是在无需训练用的标记三元组的情况下构建CIR模型。为此，我们提出了一种称为Pic2Word的新方法，该方法仅需弱标记的图像-标题对和未标记的图像数据集即可进行训练。与现有的监督CIR模型不同，我们的模型在弱标记或未标记的数据集上训练后，在多种ZS-CIR任务中表现出强大的泛化能力，例如属性编辑、对象组合和域转换。我们的方法在常见的CIR基准测试数据集CIRR和Fashion-IQ上优于几种监督CIR方法。代码将在https://github.com/google-research/composed_image_retrieval公开发布。