这篇论文的标题是《Noisy-Correspondence Learning for Text-to-Image Person Re-identification》，作者是来自中国四川大学、英国诺森比亚大学、新加坡A*STAR前沿人工智能研究中心和高性能计算研究所的研究人员。论文主要研究了文本到图像的行人再识别（Text-to-Image Person Re-identification, TIReID）问题，这是一个在跨模态领域中具有挑战性的话题，目标是基于文本查询检索目标人物的图像。

主要贡献和创新点：

1. 问题揭示：论文揭示了TIReID中的一个新的普遍问题，即噪声对应（Noisy Correspondence, NC）。与类别级别的噪声标签不同，NC指的是图像-文本对中的错误的对应关系，这可能会误导模型学习错误的视听语义关联。

2. 鲁棒方法：提出了一种名为鲁棒双嵌入（Robust Dual Embedding, RDE）的方法，通过提出的Confident Consensus Division (CCD)机制和新颖的Triplet Alignment Loss (TAL)来减轻NC的不利影响。CCD通过融合双重粒度决策来将训练数据一致性地划分为干净和噪声集合，从而为鲁棒学习提供更可靠的对应关系。

3. 实验验证：在三个公开的图像-文本行人基准数据集上进行了广泛的实验，验证了RDE的性能和鲁棒性。RDE在所有三个数据集上均取得了最佳性能ÿ