摘要

本文提出了一种基于CLIP特征的条件化与组合式图像检索方法。在这一内容驱动的图像检索（CBIR）扩展框架中，图像与一段文本相结合，文本内容反映了用户的意图，并在电子商务等应用领域中具有重要意义。所提出的方法首先经历一个初始训练阶段，在该阶段通过简单融合视觉与文本特征，对CLIP文本编码器进行微调；随后进入第二阶段训练，学习一个更为复杂的组合网络，用于融合视觉与文本特征。两个阶段均采用对比学习（contrastive learning）策略。实验结果表明，该方法在FashionIQ数据集上的条件化CBIR任务以及在较新提出的CIRR数据集上的组合式CBIR任务中，均取得了当前最优的性能表现。