HCVP：利用层次对比视觉提示进行领域泛化
计算机视觉与模式识别
2026-01-06 v2 人工智能
摘要
领域泛化（DG）致力于通过学习不变特征创建在未见场景中表现出色的机器学习模型。在DG中，将模型约束为固定结构或统一参数化以封装不变特征的普遍做法可能会无意中混合特定方面。这种方法难以精细区分领域间变化，并可能对某些领域产生偏差，阻碍领域不变特征的精确学习。认识到这一点，我们引入了一种新颖方法，旨在为模型补充领域级和任务特定的特征。该方法旨在引导模型更有效地将不变特征与特定特征分离，从而提升泛化能力。基于DG范式中视觉提示的新兴趋势，我们的工作引入了新颖的**层**次**对**比**视**觉**提**示（HCVP）方法。这代表了该领域的重大进展，其独特的提示生成方法、显式模型结构和专用损失函数使其与众不同。与通常在整个数据集上共享的传统视觉提示不同，HCVP利用由提示对比学习增强的层次提示生成网络。这些生成提示是实例依赖的，适应不同领域和任务固有的独特特征。此外，我们设计了一个提示调制网络作为桥梁，有效地将生成的视觉提示融入视觉Transformer骨干网络。在五个DG数据集上进行的实验证明了HCVP的有效性，优于既有的DG算法和适应协议。
引用
@article{arxiv.2401.09716,
title = {HCVP: Leveraging Hierarchical Contrastive Visual Prompt for Domain Generalization},
author = {Guanglin Zhou and Zhongyi Han and Shiming Chen and Biwei Huang and Liming Zhu and Tongliang Liu and Lina Yao and Kun Zhang},
journal= {arXiv preprint arXiv:2401.09716},
year = {2026}
}