FactEmbed：面向组合图像检索的因子化 MLLM 嵌入

FactEmbed 通过因子化隐变量在检索前模拟视觉修改，将组合查询理解与嵌入构建解耦，提升组合图像检索效果。该方法用中间目标想象目标训练隐变量先落地目标语义，再以因子级对比损失优化并将分解表示蒸馏进 MLLM 更深注意力层。推理时保留 [EOS] token 构建全局嵌入，并用均值池化的因子化隐变量对短候选列表重排序，二者同一次前向完成。