面向无监督可见-红外行人重识别的双层模态去偏学习
计算机视觉与模式识别
2026-04-10 v2
摘要
双阶段学习管线在无监督可见-红外行人重识别 (USL-VI-ReID) 中取得了令人瞩目的成果。它首先进行单模态学习，然后进行跨模态学习以处理模态差异。尽管该管线效果良好，但不可避免地引入模态偏置：在单模态训练中学习到的模态特定线索自然会传播到随后的跨模态学习中，从而损害身份鉴别和泛化能力。为此，我们提出了双层模态去偏学习 (DMDL) 框架，在模型层面和优化层面分别实施去偏。模型层面，我们提出了基于因果推断的调整干预 (CAI) 模块，将似然率建模替换为因果建模，防止模态引起的伪影模式被引入，从而得到低偏置模型。在优化层面，引入协同无偏训练 (CBT) 策略，通过集成模态特定数据增强、标签细化和特征对齐，中断模态偏置在数据、标签和特征之间的传播。广泛的基准数据集实验表明，DMDL 能够实现模态不变特征学习，并构建更具泛化性的模型。代码已提供：https://github.com/priester3/DMDL。
引用
@article{arxiv.2512.03745,
title = {Dual-level Modality Debiasing Learning for Unsupervised Visible-Infrared Person Re-Identification},
author = {Jiaze Li and Yan Lu and Bin Liu and Guojun Yin and Mang Ye},
journal= {arXiv preprint arXiv:2512.03745},
year = {2026}
}