摘要

随着在线内容中图像的广泛传播，过去十年间，基于语言引导的图像检索（Language-Guided Image Retrieval, LGIR）已成为研究热点，涵盖多种输入形式各异的子任务。尽管大规模多模态模型（Large Multimodal Models, LMMs）的发展显著推动了这些任务的进展，但现有方法通常将各个任务孤立处理，需为每项任务单独构建系统。这不仅增加了系统的复杂性与维护成本，还加剧了由语言歧义性和图像内容复杂性带来的挑战，导致检索系统难以提供准确可靠的结果。为此，我们提出 ImageScope，一种无需训练、基于三阶段架构的统一框架，通过集体推理实现 LGIR 任务的整合。其核心思想源于语言的组合性特征：将多样化的 LGIR 任务统一为一种通用的文本到图像检索流程，同时利用 LMM 的推理能力作为通用验证机制，对检索结果进行优化与精炼。具体而言，在第一阶段，我们通过链式思维（Chain-of-Thought, CoT）推理，在不同语义粒度层次上合成搜索意图，从而提升框架的鲁棒性；在第二与第三阶段，分别通过局部谓词命题验证与全局成对评估，对检索结果进行反思与校验。在六个 LGIR 数据集上的实验表明，ImageScope 在性能上优于多个先进基线方法。全面的评估与消融研究进一步验证了所提出设计的有效性与合理性。