CoCo-IR：面向多轮上下文的组合图像检索

CoCo-IR 将组合图像检索从单轮指令扩展到多轮交互，允许用户逐步修正搜索意图。论文提出基于大视觉语言模型的上下文推理器，生成随对话演化的可变换图像嵌入，并用自动数据引擎与模型验证挖掘训练样本和困难负例。在 CIRCO 上达到 39.4 mAP@5，在四轮 CoCo-IR 对话中达到 44.1 R@1，高于现有方法的 28.2。