FOCUS：跨域桥接细粒度识别与开放世界发现
计算机视觉与模式识别
2026-03-17 v1
摘要
我们提出了首个统一框架，用于 *细粒度域生成式通用类别发现* (FG-DG-GCD)，将开放世界识别推向现实部署场景。与传统 GCD 不同，DG-GCD 仅从标注源数据中学习，必须在未标注的目标域中既识别已知类别又发现新类别。这种问题在细粒度设置下尤为具有挑战性，因为细微的类别间差异和较大的类别内变异使得域泛化显著更加困难。为支持系统化评估，我们建立了首个 *FG-DG-GCD 基准*，通过受控扩散-适配器风格化方法创建保持身份的 *绘画* 和 *素描* 域，用于 CUB-200-2011、Stanford Cars 和 FGVC-Aircraft。基于此，我们提出 FoCUS，一个单阶段框架，结合 *域一致部件发现* (DCPD) 用于几何稳定的部件推理，以及 *不确定性感知特征增强* (UFA) 用于通过不确定性引导的扰动实现置信度校准的特征正则化。大量实验表明，FoCUS 在所提出基准上相较于强大的 GCD、FG-GCD 和 DG-GCD 基线分别在聚类准确率上提高 **3.28%**、**9.68%** 和 **2.07%**。在粗粒度 DG-GCD 任务中也保持竞争力，同时实现比当前最佳方法近 **3 倍** 的计算效率。[^ 代码和数据集将在接受后发布。]
引用
@article{arxiv.2603.14240,
title = {FOCUS: Bridging Fine-Grained Recognition and Open-World Discovery across Domains},
author = {Vaibhav Rathore and Divyam Gupta and Moloud Abdar and Subhasis Chaudhuri and Biplab Banerjee},
journal= {arXiv preprint arXiv:2603.14240},
year = {2026}
}
备注
Under Review