視覚的ナラティブを紡ぐ：原子的視覚マッチングを超えたエージェンティック画像バンドル合成

要旨

画像検索は伝統的に、各候補画像を単独でスコアリングする点単位のマッチング問題として定式化されてきました。しかし、このアトミックなパラダイムは、個人の写真コレクションにおける人間の検索意図の複雑さを捉えることはできません。そこでは、ユーザーは孤立したスナップショットではなく、構造的関係によって結び付けられたコンパクトな視覚的ストーリーを求めることが多いためです。この限界に対処するため、我々は画像バンドル構成（IBC）を導入します。これは、個々の画像のランキングから、大規模で非構造化された写真プールからまとまりのある画像バンドルを動的に構成することへと目的を転換する新しいパラダイムです。対象バンドルは事前定義されていないため、IBCは深刻な組合せ爆発の課題を呈し、分解不可能な結合関連性のモデリングを要求します。このパラダイムを確立するために、我々はIBCBenchを構築します。これは、半自動検証パイプラインを通じて構築された、109,467枚の画像と667件の検証済みクエリを含む初のIBCベンチマークデータセットです。さらに、我々はBundleWeaverを提案します。これは、IBCをクエリ条件付きの増分的ハイパーエッジ発見として再定式化するエージェント型フレームワークです。大規模言語モデルを用いて欠落している関係的役割を適応的に探索し、視覚言語モデルを用いてバンドル全体の検証を行うことにより、BundleWeaverは組合せ空間を効果的に探索します。大規模な実験により、最先端の埋め込みモデルや静的な分解・再ランキングパラダイムが関係的盲目性に悩まされる一方で、BundleWeaverが大幅な性能向上を達成することが示され、アトミックなスコアリングから動的な関係構成への転換の必要性が浮き彫りになります。我々のデータセットとコードは公開されています。

English

Image retrieval has traditionally been formulated as a point-wise matching problem, where each candidate image is scored in isolation. However, this atomic paradigm fails to capture the complexity of human search intent within personal photo collections, where users often seek compact visual stories bound by structural relations rather than isolated snapshots. To address this limitation, we introduce **Image Bundle Composition (IBC)**, a novel paradigm that shifts the objective from ranking individual images to dynamically composing cohesive image bundles from a massive, unstructured photo pool. Since target bundles are not predefined, IBC presents a severe combinatorial explosion challenge and demands modeling non-decomposable joint relevance. To establish this paradigm, we construct **IBCBench**, the first IBC benchmark dataset containing 109,467 images and 667 verified queries, built via a semi-automated verification pipeline. Furthermore, we propose **BundleWeaver**, an agentic framework that reformulates IBC as query-conditioned incremental hyperedge discovery. By employing a Large Language Model to adaptively search for missing relational roles and utilizing a Vision-Language Model for whole-bundle verification, BundleWeaver effectively navigates the combinatorial space. Extensive experiments demonstrate that while state-of-the-art embedding models and static decompose-and-rerank paradigms suffer from relational blindness, BundleWeaver achieves substantial performance gains, highlighting the necessity of shifting from atomic scoring to dynamic relational composition. Our dataset and code are available.