शोधकर्ताओं ने FoCo का प्रस्ताव रखा है, जो शून्य-शॉट संयुक्त छवि पुनर्प्राप्ति (ZS-CIR) के लिए एक विधि है जो संरचना को दो समन्वित चरणों के रूप में मॉडल करता है: संशोधन-संबंधी दृश्य सामग्री पर ध्यान केंद्रित करना और लक्ष्य अर्थपूर्णता को पूरा करना। यह दृष्टिकोण मौजूदा प्रॉक्सी कार्यों की सीमाओं को संबोधित करने के लिए टेक्स्ट-एंकर्ड दृश्य एग्रीगेशन और संदर्भ-शर्त अर्थपूर्ण पूर्ति का उपयोग करता है, जहां संरचना फलन अधिगमित नहीं रहता है।
- FoCo स्थानीकृत पाठ अर्थपूर्णता द्वारा निर्देशित होकर दृश्य सामग्री को चयनात्मक रूप से एकत्र करने के लिए टेक्स्ट-एंकर्ड दृश्य एग्रीगेशन का उपयोग करता है।
- यह शेष दृश्य संदर्भ के साथ एग्रीगेटेड विजुअल्स को एक सहसंबद्ध संयुक्त प्रतिनिधित्व में बदलने के लिए संदर्भ-शर्त अर्थपूर्ण पूर्ति का उपयोग करता है।
- अर्थपूर्ण विविधता को प्रोत्साहित करने और शॉर्टकट संरचना रणनीतियों को निराश करने के लिए कार्यों को क्रॉस-इंस्टेंस कंट्रास्टिव उद्देश्य के साथ संयुक्त रूप से प्रशिक्षित किया जाता है।
- चार ZS-CIR बेंचमार्क्स पर व्यापक प्रयोग FoCo की स्टेट-ऑफ़-द-आर्ट प्रदर्शन और बेहतर सामान्यीकरण को प्रदर्शित करते हैं।
लेखकों का मानना है कि यह महत्वपूर्ण है क्योंकि यह मॉडल को विविध और सूक्ष्म अर्थपूर्ण संशोधनों को व्यक्त करने की अनुमति देता है, पूर्व कार्य में उपयोग किए गए पूर्वनिर्धारित संरचना तंत्र की बाधाओं को पार करता है।