MAQIU: Memory-Augmented Query Intent Understanding for Chat-based Image Retrieval — arXiv:2605.17365
摘要¶
本文提出 MAQIU (Memory-Augmented Query Intent Understanding)，解决对话式图像检索中用户查询意图的动态理解与更新问题。传统方法将所有历史查询拼接为长文本序列，或依赖大语言模型从历史重建当前查询——前者计算冗余，后者容易导致意图表征不一致。MAQIU 引入轻量级记忆模块，动态聚合和演化跨对话轮的查询意图语义表示，并使用记忆召回机制防止意图遗忘和增强长期语义完整性。此外，MAQIU 还将历史图像检索结果作为视觉指导，帮助模型强化跨轮相关性并细化当前视觉理解。在多个数据集上验证了方法的有效性。
核心贡献¶
- 轻量级记忆模块：动态聚合和演化跨对话轮的查询意图表征，避免长序列拼接
- 记忆召回机制：防止意图遗忘，增强长期语义完整性
- 视觉引导整合：将历史检索结果作为跨轮视觉参考，强化多模态关联
- 端到端可学习：模块可插入现有图像检索 pipeline
为什么重要¶
对话式图像检索是多模态 AI Agent 的典型场景——用户通过多轮对话逐步细化需求。关键挑战是如何在资源受限条件下维护跨轮意图一致性。MAQIU 的记忆模块提供了一种高效方案：不需要记住所有历史，而是选择性记住和检索意图相关的信息。这与人类认知中的"工作记忆"机制高度一致。对移动端 Agent 尤其有价值——移动设备屏幕有限，对话式交互是主流模式。
与端侧/移动端的相关性¶
- 轻量级设计：模块化，可嵌入现有检索系统
- 多模态记忆：文本（查询）+ 视觉（图像）混合记忆，符合移动端多模态交互场景
- 意图理解：对话式 UI 的核心能力，适合手机语音/图像助手
- 论文来自多所中国大学，方法有明确系统架构
参考文献¶
（参考文献待从原文补充）