Newest papers

CaptionFuse: Training-Free Composed Product Retrieval Via VLM Intent Captioning and Weighted Embedding Fusion

Zhao Gao, Mina Metias, Mohamed Noordeen Alaudeen, Bassel Saleh · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26661 · open-access PDF

Spanish

Composite Image Retrieval (CIR) recupera productos que coinciden con una imagen de referencia modificada por lenguaje natural---una capacidad central para la búsqueda de comercio electrónico.Métodos existentes sin formación fusionan las incorporaciones de CLIP a través de aritmética, pero identificamos una limitación fundamental: las modificaciones de texto del usuario son escasas en atributos---un usuario que escribe "make it red with shorter sleeves" especifica lo que debe cambiar pero no lo que debe mantener (el patrón floral, el cuello V, la silueta fit-and-flare). Introducimos la fusión de lenguaje-espacio: un modelo de lenguaje de visión (VLM) interpreta conjuntamente la imagen de referencia y la modificación para generar

Machine translation (Meta M2M100); the English original follows.

Abstract

Composed Image Retrieval (CIR) retrieves products matching a reference image modified by natural language---a core capability for eCommerce search. Existing training-free methods fuse CLIP embeddings via arithmetic, but we identify a fundamental limitation: user text modifications are attribute-sparse---a user who types ``make it red with shorter sleeves'' specifies what to change but not what to keep (the floral pattern, the V-neck, the fit-and-flare silhouette). We introduce language-space fusion: a Vision-Language Model (VLM) jointly interprets the reference image and modification to genera

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange