学习组合：重新审视零样本组合图像检索中的代理任务设计

论文提出FoCo，用于零样本组合图像检索（ZS-CIR）。它将图像与文本修改的组合拆为两个阶段：由局部文本语义引导视觉内容聚焦，再结合剩余场景上下文完成目标语义，并通过跨实例对比学习提升语义多样性、抑制捷径。作者称其在四个ZS-CIR基准上达到当前最佳性能并改善泛化。