重新思考换衣行人重识别：冲突、合成与优化
计算机视觉与模式识别
2024-04-22 v1
摘要
换衣行人重识别（CC-ReID）旨在检索穿着不同服装的同一个人的图像。主流研究专注于设计先进的模型结构和策略，以捕获独立于服装的身份信息。然而，作为 CC-ReID 中标准 ReID 学习目标的同衣区分在以往的研究中一直被忽视。在本研究中，我们深入探讨了标准与换衣（CC）学习目标之间的关系，并将这两个目标之间的内在冲突置于首位。我们试图通过补充由我们提出的换衣扩散模型生成的高保真变衣合成图像，来扩大 CC 训练对的比例。通过将合成图像纳入 CC-ReID 模型训练，我们观察到在 CC 协议下的显著改进。然而，这种改进牺牲了标准协议下的性能，这是由标准与 CC 之间的内在冲突引起的。为了缓解冲突，我们解耦了这些目标，并将 CC-ReID 学习重新表述为多目标优化（MOO）问题。通过有效地正则化跨多个目标的梯度曲率并引入偏好约束，我们的 MOO 解决方案超越了单任务训练范式。我们的框架与模型无关，并在 CC 和标准 ReID 协议下均展现出卓越的性能。
引用
@article{arxiv.2404.12611,
title = {Rethinking Clothes Changing Person ReID: Conflicts, Synthesis, and Optimization},
author = {Junjie Li and Guanshuo Wang and Fufu Yu and Yichao Yan and Qiong Jia and Shouhong Ding and Xingdong Sheng and Yunhui Liu and Xiaokang Yang},
journal= {arXiv preprint arXiv:2404.12611},
year = {2024}
}