面向无监督可见-红外人员重识别的模态感知偏差消除与不变性学习

无监督可见-红外人员重识别（USVI-ReID）旨在无需依赖任何标注信息即可在可见光和红外摄像机之间匹配个体。鉴于可见光与红外模态之间的显著差距，估计可靠的跨模态关联成为USVI-ReID中的主要挑战。现有方法通常采用最优传输来关联同一模态内的簇，容易传播局部簇误差，同时忽视全局实例级关系。通过挖掘并关注可见-红外模态偏差，本文从两个方面着手解决跨模态学习：偏差消除的全局关联与模态不变表征学习。灵感来源于单模态ReID中的摄像机感知距离校正，我们提出模态感知Jaccard距离以消除因模态差异导致的距离偏差，从而通过全局聚类估计更可靠的跨模态关联。为进一步提升跨模态表征学习，设计了“分解-对比”策略以获得模态特定的全局原型。通过在全局关联指导下显式对齐这些原型，可实现模态不变且具有身份辨识力的表征学习。虽然方法概念简单，但我们的模型在基准VI-ReID数据集上实现了最好的性能，显著优于现有方法，验证了其有效性。