# FactEmbed因子化MLLM嵌入方法

组合图像检索要按“参考图加一句修改文字”找回目标图，常见做法是把多模态查询直接压成一个检索向量，模型没有显式机会先想清楚文字改了什么。FactEmbed在Qwen2.5-VL-7B的输入中插入一组可学习的因子化潜变量，用重建目标图细节的“目标想象”目标让它们各自对应目标中的语义区域，再用因子级对比损失和注意力蒸馏把这些分解带入检索。在精化后的CIRR与FashionIQ基准上，其Recall@1与平均Recall@10均高于CSMCIR与ReCALL，但正文所述提升幅度与表格数值不一致。

组合图像检索要按“参考图加一句修改文字”找回目标图，常见做法是把多模态查询直接压成一个检索向量，模型没有显式机会先想清楚文字改了什么。FactEmbed在Qwen2.5-VL-7B的输入中插入一组可学习的因子化潜变量，用重建目标图细节的“目标想象”目标让它们各自对应目标中的语义区域，再用因子级对比损失和注意力蒸馏把这些分解带入检索。在精化后的CIRR与FashionIQ基准上，其Recall@1与平均Recall@10均高于CSMCIR与ReCALL，但正文所述提升幅度与表格数值不一致。