Tag · 12 篇
元学习
目标泛化重识别：迈向通用实例感知的一步
Object-Generalized Re-Identification: A Step Towards Universal Instance Perception
把元学习当作语义分布正则，让模型在受控的类别偏移下学习跨类别的身份不变表征；做 ReID 或任何需要跨类别身份匹配的视觉任务时，可直接复用这一训练范式，无需目标域自适应。
神经混合密度过程
Neural Mixture Density Processes
NMDP 通过混合密度建模和 EM 训练构建函数先验，其任务特定参数更新机制可用于视觉少样本任务（如少样本分类、分割）的快速自适应，减少过拟合。
元学习上下文实现免训练跨被试大脑解码
Meta-Learning In-Context Enables Training-Free Cross Subject Brain Decoding
对做视觉表征研究的人，这篇提供了一个「用少量图像-脑响应样例做上下文学习、无需微调即可逆推个体编码器」的范式，可作为评估视觉骨干网络与大脑表征对齐程度的探针，也提示把元学习/上下文条件化用于跨域个体差异建模。
Meta-FC：基于特征一致性的元学习用于鲁棒且可泛化的水印
Meta-FC: Meta-Learning with Feature Consistency for Robust and Generalizable Watermarking
把元学习加特征一致性损失当作一种可插拔的训练策略，用来替代单随机失真（SRD）噪声层，可直接迁移到其他需要抵抗多种失真的视觉任务（如复原、隐写、对抗训练）中，缓解批次间优化冲突。
Meta-CoT：提升图像编辑的粒度与泛化能力
Meta-CoT: Enhancing Granularity and Generalization in Image Editing
Meta-CoT 将任意图像编辑操作分解为（任务、目标、所需理解能力）三元组，并进一步拆解为五个元任务，配合思维链一致性奖励，使模型在少量元任务训练后即可泛化到未见编辑任务；该分解思路可直接用于构建更细粒度的编辑指令数据与训练策略。
通过局部一致性扩散学习学习权重生成
Learning to Learn Weight Generation via Local Consistency Diffusion
把扩散模型用于直接生成网络权重，并用局部一致性约束把局部目标权重的监督信号纳入训练，为视觉模型在迁移、少样本、域泛化场景下的快速权重更新提供了一条可复用的元学习式生成思路。
从遗忘中学习：通过遗忘回溯预测知识溢出权重
Learning from Oblivion: Predicting Knowledge-Overflowed Weights via Retrodiction of Forgetting
提出一种通过元学习建模权重演化、逆转结构化遗忘过程来合成知识溢出权重的通用框架，可复用于视觉模型预训练权重的增强与下游任务微调初始化。
从少路到多路：重新审视少样本细粒度图像分类
From Few-way to Many-way: Rethinking Few-shot Fine-grained Image Classification
论文指出情节式训练在 many-way 场景下缺乏对特征空间的全局刻画，提出自特征与协同特征提取加情节级与全局级双重优化的思路，可直接迁移到其他少样本/小样本识别任务中改进特征空间结构。
少样本混合增量学习：数据稀缺与任务不确定下的持续学习
Few-Shot Hybrid Incremental Learning:Continually Learning under Data Scarcity and Task Uncertainty
CME-MoE 的条件专家复用与元扩展机制，为视觉模型在少样本、任务不确定的持续数据流中平衡稳定性与可塑性提供了可复用的架构级方案；SEPC 按需扩展原型分类器的思路可直接迁移到视觉分类器的域偏移决策边界建模。
数据中心元学习实现鲁棒少样本泛化
Data-Centric Meta-Learning for Robust Few-Shot Generalization
提出一种在元训练阶段就引入可学习视觉提示词来对齐任务输入分布、缓解梯度冲突的元学习框架，为视觉少样本跨域泛化提供了一种数据中心的训练策略，且测试时仅更新轻量提示词和分类器，骨干网络冻结，便于在视觉任务中复用。
DASH：一种合成有效且隐蔽对抗样本的元攻击框架
DASH: A Meta-Attack Framework for Synthesizing Effective and Stealthy Adversarial Examples
DASH 提供了一种可微元攻击框架，通过可学习权重组合多个 Lp 攻击来生成感知对齐的对抗样本，可直接用于评估视觉模型在感知度量约束下的鲁棒性，并为对抗训练提供更贴近人类感知的扰动样本。
面向基的低秩迁移用于少样本与测试时自适应
Basis-Oriented Low-rank Transfer for Few-Shot and Test-Time Adaptation
BOLT 提供了一种无需元训练、仅利用多个任务向量构造正交低秩基的迁移方法，视觉研究者可将其用于少样本或测试时快速适配新任务，尤其适合在已有多个微调模型（如不同数据集上的 ViT）时复用其知识。