语言作为锚点：保持相对视觉几何用于域递增学习
计算机视觉与模式识别
2025-11-19 v1
摘要
域递增学习 (Domain Incremental Learning, DIL) 的关键挑战是在变化的分布下持续学习，同时保留来自以前领域的知识。现有方法面临根本性困境。一方面，将所有领域投影到单一统一的视觉空间会导致跨域干扰和语义扭曲，因为大幅变化不仅涉及视觉外观，还涉及底层语义。另一方面，隔离领域特定参数会导致知识碎片化，形成“知识岛”，阻碍知识复用并加剧遗忘现象。为解决此问题，我们提出了 LAVA (Language-Anchored Visual Alignment)，一种新的 DIL 框架，取代直接特征对齐，采用由文本基准锚点驱动的相对对齐。LAVA 指导每个新到达的领域的视觉表征保持一致的相对几何结构，这一结构由镜像类名之间的两两语义相似度定义。这种锚定的几何结构作为跨域的桥梁，使能够检索类感知的先验知识并促进稳健的特征聚合。大量实验在标准 DIL 基准上表明，LAVA 在 SOTA 方面实现了显著的性能提升。代码可在 https://github.com/ShuyiGeng/LAVA 获取。
引用
@article{arxiv.2511.14401,
title = {Language as an Anchor: Preserving Relative Visual Geometry for Domain Incremental Learning},
author = {Shuyi Geng and Tao Zhou and Yi Zhou},
journal= {arXiv preprint arXiv:2511.14401},
year = {2025}
}