PartCo：部件级对应先验增强类别发现
计算机视觉与模式识别
2026-05-22 v2
摘要
广义类别发现（GCD）旨在通过利用一组来自已知类别的标记样本，在未标记数据中识别已知和新颖类别。现有的 GCD 方法主要依赖于语义标签和全局图像表示，往往忽略了对于区分密切相关类别至关重要的详细部件级线索。在本文中，我们引入了 PartCo，即部件级对应先验（Part-Level Correspondence Prior），这是一个通过整合部件级视觉特征对应来增强类别发现的新颖框架。通过利用部件级关系，PartCo 捕获了更细粒度的语义结构，从而能够更细致地理解类别关系。重要的是，PartCo 能够无缝集成到现有的 GCD 方法中，无需进行重大修改。我们在多个基准数据集上的广泛实验表明，PartCo 显著提高了当前 GCD 方法的性能，通过弥合语义标签与部件级视觉构成之间的差距，超越了大多数现有方法，从而为 GCD 设立了新的基准。
引用
@article{arxiv.2509.22769,
title = {PartCo: Part-Level Correspondence Priors Enhance Category Discovery},
author = {Fernando Julio Cendra and Kai Han},
journal= {arXiv preprint arXiv:2509.22769},
year = {2026}
}
备注
ICML 2026, Project page: https://visual-ai.github.io/partco