LLLMWIKI
ArticleMetadataMain page

Source note · Updated 2026-07-14

LinCIR仅用语言高效训练零样本组合式图像检索（Language-only Efficient Training of Zero-shot Composed Image Retrieval）

#near-cvpr-2025#vision-language#efficiency#conditioning#primary-source

LinCIR：仅用语言高效训练零样本组合式图像检索

一句话结论

LinCIR 用 text-only self-masking projection 学习修改文本的 token 组合，不依赖图像—文本—目标图 triplet；论文报告 CLIP ViT-G 在 8 张 A100 上约 48 分钟训练，并在 CIRCO、GeneCIS、FashionIQ、CIRR 上取得强 ZS-CIR 结果。

方法与训练目标

  • 将文本 latent embedding 投影到 token embedding 空间，用关键词替换构造新文本，再约束原文本与新文本共享 latent embedding。
  • 训练只需文本数据，推理时仍将参考图像映射为 pseudo token，与修改文本组合后检索图像。
  • 通过扩大输入文本多样性改善 zero-shot 泛化；没有人工 CIR triplet，也没有显式视觉 hard negative 生成。

数据、指标与可比性

  • 评估 CIRCO 的 mAP@K、GeneCIS 的 Recall、FashionIQ 与 CIRR 的 Recall 类指标；不同任务的真值和 K 不同，不能只比较数字大小。
  • 论文图示与实验报告表明，LinCIR 在更大 CLIP backbone 上的训练/扩展效率优于 Pic2Word、SEARLE 等路线。

局限与证据边界

  • 语言-only 目标可能强化文本先验；需要 text-only/image-only 对照才能证明视觉条件真的被使用。
  • 训练时间数字依赖硬件、实现和 backbone，不能直接等价为普通单卡成本。

对候选课题 A/B/C/D 的启发

  • A：重点审计“语言-only 增益”是否来自 benchmark 文本捷径，并加入显式 hard negatives。
  • B：LinCIR 是适合中等算力的高效 query encoder，可与双塔召回和轻量精排组合。
  • C：text-only 训练天然适合中文/多语言文本配比与翻译策略研究。
  • D：页面查询文本可用于低成本适配，但视觉布局证据仍需要 page-image encoder。

原始链接

Metadata
{
  "id": "2026-07-14-lincir",
  "type": "source",
  "title": "LinCIR：仅用语言高效训练零样本组合式图像检索（Language-only Efficient Training of Zero-shot Composed Image Retrieval）",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "vision-language",
    "efficiency",
    "conditioning",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "venue": "CVPR 2024",
  "authors": [
    "Geonmo Gu",
    "Sanghyuk Chun",
    "Wonjae Kim",
    "Yoohoon Kang",
    "Sangdoo Yun"
  ],
  "published_at": "2024-06-01",
  "ingested_at": "2026-07-14",
  "canonical_links": [
    "https://openaccess.thecvf.com/content/CVPR2024/html/Gu_Language-only_Training_of_Zero-shot_Composed_Image_Retrieval_CVPR_2024_paper.html",
    "https://openaccess.thecvf.com/content/CVPR2024/papers/Gu_Language-only_Training_of_Zero-shot_Composed_Image_Retrieval_CVPR_2024_paper.pdf",
    "https://github.com/navervision/lincir"
  ],
  "raw_entry": "raw/ingest/2026-07-14-lincir/",
  "topics": [
    "topics/image-text-retrieval"
  ],
  "entities": [],
  "claims": [
    "claims/claim-image-text-retrieval-composed-query"
  ],
  "questions": [
    "questions/question-image-text-retrieval-research-cut"
  ]
}