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

Russian

Composed Image Retrieval (CIR) отслеживает продукты, соответствующие справочному изображению, модифицированному естественным языком — основной возможности для поиска в электронной коммерции. Существующие методы, свободные от обучения, объединяют встраивания CLIP с помощью арифметики, но мы идентифицируем фундаментальное ограничение: модификации текста пользователя являются атрибутно-неэффективными — пользователь, который набирает «красный цвет с более короткими рукавами», указывает, что изменить, а не что сохранить (цветочный шаблон, V-затылок, силуэт fit-and-flare). Мы вводим слияние языка и пространства: модель Vision-Language (VLM) совместно интерпретирует справочный образ и модифика

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