テキストから画像への人物検索（TIPR）は、テキスト記述を基に対象の人物を特定する技術です。しかし、従来の手法はモーダリティの違いに対処しきれず、英語中心のため多言語における適用が制限されています。本研究では、多言語TIPRタスクを提案し、大規模言語モデルを利用して初期翻訳を行い、ドメイン特化の知識を統合して精練します。新たに提案するBi-IRRA（Bidirectional Implicit Relation Reasoning and Aligning）フレームワークでは、双方向推論モジュールを通じて、画像とテキストのマスキング予測を行い、ローカル関係のモデリングを強化。加えて、多次元のグローバルアライメントモジュールを統合し、モーダリティの異質性を橋渡しします。この方法は全ての多言語TIPRデータセットで最新の性能を達成しています。