合成图像能否征服遗忘？关于少样本类别增量学习的未探索疑虑
计算机视觉与模式识别
2025-07-21 v1 人工智能
摘要
少样本类别增量学习（FSCIL）由于极其有限的训练数据而具有挑战性，旨在减少灾难性遗忘并学习新信息。我们提出 Diffusion-FSCIL，一种新方法，采用文本到图像扩散模型作为冻结主干。我们的假设是，利用大规模预训练生成模型的能力可以解决 FSCIL，具体包括：1）通过大规模预训练获得生成能力；2）多尺度表征；3）通过文本编码器实现表征的灵活性。为最大化表征能力，我们提出提取多个互补扩散特征，以充当潜在重放伴随轻微支持特征蒸馏，以防止生成偏差。我们的框架通过 1）使用冻结主干；2）最小化可训练组件；3）批量处理多个特征提取实现了效率。大量实验表明，Diffusion-FSCIL 在 CUB-200、miniImageNet 和 CIFAR-100 上超越了最先进的方法，既保留了先前学习类的性能，又能有效适应新类。
引用
@article{arxiv.2507.13739,
title = {Can Synthetic Images Conquer Forgetting? Beyond Unexplored Doubts in Few-Shot Class-Incremental Learning},
author = {Junsu Kim and Yunhoe Ku and Seungryul Baek},
journal= {arXiv preprint arXiv:2507.13739},
year = {2025}
}
备注
6th CLVISION ICCV Workshop accepted