最小化预训练差距：基于域对齐的文本人物检索
计算机视觉与模式识别
2026-03-31 v2
摘要
本文聚焦于文本人物检索，即基于文本描述识别个体。在合成数据预训练推动的进展下，由于光照、颜色和视角的差异导致的显著域差距，限制了预训练-微调范式的效果。为克服此问题，我们提出了一种集成图像级和区域级域适应的统一管道。本方法包含两个关键组件：Domain-aware Diffusion (DaD) 用于图像级适应，将合成域与真实世界域（如 CUHK-PEDES）的图像分布对齐；以及 Multi-granularity Relation Alignment (MRA) 用于区域级适应，将视觉区域与描述性句子对齐，从而在更细的粒度上解决差异。这种双层策略有效地弥合了域差距，在 CUHK-PEDES、ICFG-PEDES 和 RSTPReid 数据集上实现了最先进的性能。该数据集、模型和代码均已公开于 https://github.com/Shuyu-XJTU/MRA。
关键词
引用
@article{arxiv.2507.10195,
title = {Minimizing the Pretraining Gap: Domain-aligned Text-Based Person Retrieval},
author = {Shuyu Yang and Yaxiong Wang and Yongrui Li and Li Zhu and Zhedong Zheng},
journal= {arXiv preprint arXiv:2507.10195},
year = {2026}
}