扩散-分类器协同：基于互助循环的奖励对齐学习用于FSCIL
计算机视觉与模式识别
2026-03-17 v3
摘要
少样本类别增量学习（FSCIL）挑战模型能够从有限样本中顺序学习新类别且不忘记先前知识，这一任务因稳定-塑性矛盾和数据稀缺性而复杂化。当前FSCIL方法常因依赖有限数据集而难以实现泛化。虽然扩散模型为数据增强提供了路径，但其直接应用可能导致语义错位或效果不佳。本文引入扩散-分类器协同（Diffusion-Classifier Synergy, DCS）框架，构建扩散模型与FSCIL分类器之间的互助循环。DCS采用奖励对齐学习策略，基于分类器状态动态生成的多维奖励函数指导扩散模型。该奖励系统在两个层面运作：特征层面利用原型锚定的最大均值偏差（MMD）和维度方差匹配确保语义一致性和多样性；logits层面通过置信度校准和跨会话混淆感知机制促进图像生成的探索性，并增强类别间可区分性。这种共演化过程——生成的图像细化分类器，而改进的分类器状态又产生更优的奖励信号——显著提升了FSCIL基准测试上的知识保留与新类别学习能力，实现了最先进的性能。
引用
@article{arxiv.2510.03608,
title = {Diffusion-Classifier Synergy: Reward-Aligned Learning via Mutual Boosting Loop for FSCIL},
author = {Ruitao Wu and Yifan Zhao and Guangyao Chen and Jia Li},
journal= {arXiv preprint arXiv:2510.03608},
year = {2026}
}
备注
Accepted by NeurIPS 2025