本文介绍了一种名为Context-I2W的新型网络，用于将图像信息转换为描述的伪词标记，以实现准确的零样本组合图像检索任务。该网络通过学习旋转规则将相同图像映射到特定任务的操作视图，并捕获涵盖主要目标的局部信息，无需额外监督。该模型在四个零样本组合图像检索任务上表现出很强的泛化能力，并取得了新的最先进结果。