跨模态检索方法为来自多种模态的样本建立了一个共同的表示空间，尤其是来自视觉和语言领域的样本。对于图像和它们的说明文字，对应的多样性使得这项任务特别具有挑战性。给定一个图像(分别是一个标题)，有多个同样有意义的标题(分别是图像)。在本文中，我们认为确定性函数不足以捕获这种一对多对应。相反，我们提出使用概率交叉模态嵌入(PCME)，来自不同模态的样本在公共嵌入空间中表示为概率分布。由于诸如COCO这样的通用基准测试在跨模态匹配时存在非详尽注释的问题，我们建议额外评估CUB数据集上的检索，这是一个更小但更干净的数据库，其中所有可能的图像标题对都被注释。我们广泛地ablate PCME，并证明它不仅提高了检索性能，其确定性对等物，但也提供不确定性估计，使嵌入更可解释。

https://arxiv.org/abs/2011.11108