IV-tuning：面向红外-可见任务的参数高效迁移学习
计算机视觉与模式识别
2026-02-27 v5
摘要
现有红外和可见（IR-VIS）方法继承预训练视觉模型（PVM）的通用表征以促进互补学习。然而，我们的分析表明，在全参数微调范式下，特征空间高度受限且低秩，严重损害泛化能力。一个解决方法是冻结参数，既保留预训练知识又保持特征多样性。为此，我们提出 IV-tuning，高效地将 PVM 应用于各种 IR-VIS 下游任务，包括显著物体检测、语义分割和目标检测。广泛实验表明，IV-tuning 优于先前最新方法，具备优异的泛化性和可扩展性。值得注意的是，仅用单一 backbone，IV-tuning 仅需 3% 可训练参数即可有效促进红外和可见模态的互补学习，并在计算效率上优于传统 IR-VIS 方法。
引用
@article{arxiv.2412.16654,
title = {IV-tuning: Parameter-Efficient Transfer Learning for Infrared-Visible Tasks},
author = {Yaming Zhang and Chenqiang Gao and Fangcen Liu and Junjie Guo and Lan Wang and Xinggan Peng and Deyu Meng},
journal= {arXiv preprint arXiv:2412.16654},
year = {2026}
}