GR4CIL：用于 CLIP 基于类递增学习的间隙补偿路由
计算机视觉与模式识别
2026-04-21 v1
摘要
类递增学习（CIL）旨在持续获取新类别的同时保留先前学习的知识。最近，基于对比语言-图像预训练（CLIP）的模型展现出强大的 CIL 潜力。然而，现有方法仍面临两个关键挑战：共享参数适应倾向导致旧知识漂移，任务特定知识组织常导致跨任务响应校准不良，难以实现可靠路由。为此，我们提出 GR4CIL，一个结合任务判别与知识路由的 CLIP 基于 CIL 框架。GR4CIL 在保持递增稳定的共享文本语义空间的同时，保留任务特定的视觉知识，从而减少跨任务的干扰。此外，我们引入正交补偿机制以缓解模态间隙引起的偏置，增强任务内判别，并扩大ground-truth 任务与竞争任务之间的得分间隙。结果显示，GR4CIL 能在所学知识上实现更可靠的任务感知路由，同时保留零样例通用性。多个基准实验表明，GR4CIL 持续优于强大的基线方法。
引用
@article{arxiv.2604.17822,
title = {GR4CIL: Gap-compensated Routing for CLIP-based Class Incremental Learning},
author = {Tianqi Wang and Jingcai Guo},
journal= {arXiv preprint arXiv:2604.17822},
year = {2026}
}