超越视觉相似性：面向知识型视觉问答的实体对齐检索

英文标题：Beyond Visual Similarity: Entity-Aligned Retrieval for Knowledge-Based Visual Question Answering

该论文关注知识型视觉问答（KB-VQA）中的外部知识检索问题，尤其面向涉及长尾实体的查询。论文指出，现有检索流程主要采用 CLIP 风格的双编码器，这类方法更侧重于表层视觉相似性。作者提出以实体对齐为核心的检索思路，旨在改善知识型视觉问答场景中的信息获取能力。该研究对需要结合图像、实体知识与外部检索的 Agent 及多模态应用具有参考价值。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB