【WWW2025】ImageScope：通过大型多模态模型集体推理统一语言引导的图像检索

随着在线内容中图像数量的激增，语言引导的图像检索（Language‑Guided Image Retrieval，LGIR）在过去十年间成为研究热点，涵盖了输入形式多样的若干子任务。虽然大型多模态模型（Large Multimodal Models，LMMs）的发展显著推动了这些任务的进步，但现有方法往往将各子任务割裂处理，需要为每个任务单独构建系统。这不仅增加了系统复杂度与维护成本，还因语言歧义与图像内容复杂性而加剧检索不准确、结果不可靠的问题。

为此，我们提出 ImageScope ——一个无需额外训练的三阶段框架，通过集体推理（collective reasoning）统一解决 LGIR 任务。其核心洞见在于利用语言的组合性：先将各种 LGIR 任务转化为通用的文本‑到‑图像检索流程，再借助 LMM 的推理作为统一验证环节来精炼结果。 * 阶段一：基于思维链（Chain‑of‑Thought, CoT）推理，在不同语义粒度层面综合生成检索意图，从而提升框架的鲁棒性。 * 阶段二与阶段三：先对检索结果进行局部谓词命题验证，然后在全局范围内执行成对比较评估，实现反思式优化。

在六个 LGIR 数据集上的实验表明，ImageScope 的性能全面超越竞争性基线。进一步的综合评估与消融实验亦充分验证了我们设计的有效性。