通过创造学习：无哈希的即时类别发现框架
计算机视觉与模式识别
2026-03-18 v2
摘要
即时类别发现（On-the-Fly Category Discovery, OCD）旨在在推理阶段识别已知类别的同时发现新出现的类别类别，仅利用已知类别在离线训练期间的监督信息。现有方法要么依赖固定标签监督，要么依赖扩散式数据增强以强化骨干网络，但均未显式训练模型以完成测试时所需的发现任务。以有限标记数据优化的模型，被合理地期待在推理阶段完成与训练目标截然不同的发现任务，这导致离线学习阶段与在线发现阶段之间存在明显的优化错位。此外，先前方法常依赖基于哈希的编码或严重的特征压缩，进一步限制了表征能力。为此，我们提出通过创造学习（Learning through Creation, LTC），一个完全基于特征且无需哈希的框架，将新类别意识直接注入离线训练。其核心是由核能最小化与熵最大化驱动的轻量级、在线伪未知生成器（MKEE）。不同于此前在训练前生成合成样本的方法，Our 生成器随模型动态联合演化，在几乎不增加计算开销的同时实时合成伪新类别实例。这些样本通过带自适应阈值的双 max-margin 目标纳入训练，通过显式创建强化模型对未知区域的划分与检测能力。广泛的七项基准实验表明，LTC 在所有类别准确率上 consistently 超过先前工作，提升幅度从 1.5% 到 13.1%。代码已发布于 https://github.com/brandinzhang/LTC。
引用
@article{arxiv.2603.13858,
title = {Learning through Creation: A Hash-Free Framework for On-the-Fly Category Discovery},
author = {Bohan Zhang and Weidong Tang and Zhixiang Chi and Yi Jin and Zhenbo Li and Yang Wang and Yanan Wu},
journal= {arXiv preprint arXiv:2603.13858},
year = {2026}
}
备注
Accepted to CVPR 2026 Findings. Code available at https://github.com/brandinzhang/LTC