中国联通研究团队在AAAI 2026上发布了HiMo-CLIP模型，解决了长文本图像检索中的语义层级和单调性问题。该模型通过动态特征提取和对齐机制，显著提高了长短文本的检索精度，性能优于现有模型。

本文提出了一种新方法Fwd2Bot，用于大型视觉语言模型（LVLM）中视觉令牌的高效压缩。该方法通过双向前传训练，实现了几乎无损的压缩效果，显著提升了生成任务的压缩率，并在图像检索与组合性任务上达到了新的最先进性能。

本研究提出了ImageScope框架，通过集体推理和语言组合特性，统一语言指导图像检索（LGIR）任务，显著提升了检索的准确性和可靠性。实验结果显示，ImageScope在六个数据集上优于现有基线。

本研究提出了一种结合手绘素描和文本描述的复合查询接口，以解决非母语者在命名特定物体时的困难。通过使用CSTBIR数据集和STNET模型，显著提升了图像检索效果，帮助用户更有效地查找难以识别的物体及其复杂交互。

本研究提出了一种模态反转方法，解决了CLIP等多模态模型中仅使用文本或图像编码器的低效问题，显著提升了图像检索性能，并缓解了模态内不对齐现象。

本研究提出了一种基于形状的单一物体分类集成方法，旨在解决图像标注和检索中的分类问题。通过分层分类框架，缩小语义差距，实现多类别图像分类。研究表明，Bagging分类器在分类单一物体图像时表现最佳，分类准确率从20%提升至99%。

本研究提出了一种双重变换方法，克服了传统图像检索在高维空间中的性能限制。通过端到端训练，结果表明在异构空间中的匹配显著提高了图像检索的准确性，尤其在复杂数据集上效果显著。

本研究提出了一种新学习范式，解决了图像理解模型在视觉层次学习中的不足。该模型在无明确层次标签的情况下，能够在双曲空间中编码多级视觉层次，显著提升图像检索的层次能力。

本研究提出了一种基于显著性图的不变Krawtchouk矩的图像检索方法（SM-IKM），通过显著区域检测与多阶特征结合，显著提高了检索的准确性和效率。实验结果显示，该方法优于现有技术。

本文提出了一种新的开放世界持续视觉表征学习方法DPaRL，通过动态生成提示增强模型对未见类别的泛化能力。实验结果表明，DPaRL在开放世界图像检索基准上表现优越，Recall@1提升4.7%，有效应对动态开放世界环境中的持续学习挑战。

本研究推出了PhotoChat数据集，专注于在线对话中的照片分享，包含12,000个对话。研究提出了照片分享意图预测和照片检索两个任务，基线模型表现良好，最佳图像检索模型的召回率为10.4%，意图预测的F1分数为58.1%。该数据集旨在推动相关研究的发展。

本研究提出了一种结合YOLOv10和孪生网络的图像再分类方法，解决了传统数据收集耗时长、成本高的问题。通过改善数据过滤，减少噪声，提高数据质量，提升图像检索效率。

本研究提出了长文本标签重标定和角落标记方法，提升了语言-图像预训练模型对长文本的理解能力，并提高了长文本图像检索的性能，同时不影响短文本理解。