通过想象学习：面向组合零样本学习的去偏特征增强
计算机视觉与模式识别
2025-09-17 v1
摘要
组合零样本学习（CZSL）旨在通过学习可见基元（即属性和目标）的先验知识来识别未见过的属性-目标组合。由于属性与目标的纠缠本质以及现实世界数据中长尾分布的普遍性，在 CZSL 中学习可泛化的组合表示仍具挑战性。受神经科学关于想象与感知共享相似神经过程的发现启发，我们提出了一种称为去偏特征增强（DeFA）的新方法来解决这些挑战。所提出的 DeFA 将用于特征增强的解耦-重构框架与去偏策略相结合。DeFA 通过合成高保真组合特征来显式利用可见属性和目标的先验知识，以支持组合泛化。在三个广泛使用的数据集上的大量实验表明，DeFA 在 closed-world 和 open-world 设置下均实现了 SOTA 性能。
引用
@article{arxiv.2509.12711,
title = {Learning by Imagining: Debiased Feature Augmentation for Compositional Zero-Shot Learning},
author = {Haozhe Zhang and Chenchen Jing and Mingyu Liu and Qingsheng Wang and Hao Chen},
journal= {arXiv preprint arXiv:2509.12711},
year = {2025}
}