基于提示的范例超压缩与再生用于类增量学习
计算机视觉与模式识别
2025-08-01 v3
摘要
类增量学习(CIL)中基于回放的方法已取得显著成功。尽管有效，固有的内存限制导致仅能保存数量有限且多样性差的范例。本文提出PESCR，一种基于预训练通用扩散模型、无需在目标数据集上微调或将其存于内存缓冲区的全新方法，可大幅增加范例数量并提升多样性。图像被压缩为视觉与文本提示并予保存以替代原始图像，将内存消耗降低至1/24。在后续阶段，扩散模型再生出多样化范例。我们进一步提出部分压缩与基于扩散的数据增强，以最小化生成范例与真实图像间的域间隙。PESCR在多个基准上显著提升CIL性能，例如在ImageNet-100上超出先前最优(state-of-the-art) 3.2%。
引用
@article{arxiv.2311.18266,
title = {Prompt-Based Exemplar Super-Compression and Regeneration for Class-Incremental Learning},
author = {Ruxiao Duan and Jieneng Chen and Adam Kortylewski and Alan Yuille and Yaoyao Liu},
journal= {arXiv preprint arXiv:2311.18266},
year = {2025}
}
备注
BMVC 2025. Code: https://github.com/KerryDRX/PESCR