DIFFER：基于语义线索解耦身份特征用于衣物变换行人重识别

衣物变换行人重识别（CC-ReID）旨在识别不同衣着场景下的个体。当前CC-ReID方法要么专注于利用包括轮廓、姿态和身体网格等附加模态来建模身体形状，可能忽视其他关键生物特征如性别、年龄和风格；要么通过额外的标签引入监督信号，这些标签可能被模型忽视或强调，如衣物或个人属性。然而，这些标注是离散的，且未能捕捉综合描述。在本 work中，我们提出了DIFFER：Disentangle Identity Features From Entangled Representations，即一种新的对抗学习方法，利用文本描述来解耦身份特征。认识到图像特征本质上混合了不可分割的信息，DIFFER引入了NBDetach机制，通过利用文本描述的可分离性作为监督，实现特征解耦。它将特征空间划分为多个独立子空间，并通过梯度反转层有效地将与身份相关的特征从非生物特征中分离。我们在4个不同基准数据集（LTCC、PRCC、CelebreID-Light、CCVID）上评估了DIFFER，证明其有效性，并在所有基准数据集上实现最先进的性能。DIFFER在LTCC上将Top-1准确率提升3.6%，在PRCC提升3.4%，在CelebReID-Light提升2.5%，在CCVID提升1%。我们的代码可在此处找到。