Tag · 6 篇

开放集识别

分布鲁棒性与安全3自监督与表征学习23D 视觉与重建1

Your Dissimilarities Define You: Complementary Learning Exploiting Class Diversities

把「非目标类」整体建模为一个 opposite-class 并对其激活分布做显式约束，可作为分类头/损失层的即插即用正则项，配合神经坍缩分析改善特征几何，适用于开放集、少样本与域泛化的视觉分类骨干训练。

Revisiting Unknowns: Towards Effective and Efficient Open-Set Active Learning

提出一种无需独立开放集检测器的统一主动学习框架，利用冻结的对比预训练特征空间进行标签引导聚类，并用 Dirichlet 校准的辅助检测头联合建模已知与未知类，可直接用于视觉任务中标注预算受限下的开放世界数据筛选。

IncreFA: Breaking the Static Wall of Generative Model Attribution

把生成图像归属（判别图像来自哪个生成模型）建模为结构化增量学习问题，用架构层级正交先验加潜变量记忆回放来对抗表征漂移；做深伪检测、生成内容溯源或开放集识别的视觉研究者可直接复用其层级约束与伪未见样本混合策略。

DINO Eats CLIP: Adapting Beyond Knowns for Open-set 3D Object Retrieval

把冻结 DINO 的多视图特征做分块动态聚合（CAM）替代均值池化，并用 CLIP 的图文对齐空间合成未见类虚拟特征（VFS）来正则化适配，这套「冻结基础模型 + 虚拟类特征正则」思路可直接迁移到其他开放集/开放词表的 3D 或多视图识别任务。

Bypassing the Transport Plan: Dynamic Reweighting for Out-of-Distribution Detection with Optimal Transport

把 OOD 检测建模为半不平衡最优传输，并利用源分布权重的动态重加权直接得到伪 OOD 分数，绕开求解传输计划；做开放集半监督训练或需要无标签 OOD 打分时可直接复用这一打分模块。

Back to Source: Open-Set Continual Test-Time Adaptation via Domain Compensation

把「域补偿提示词」作为可复用手段：仅用疑似 ID 样本对齐源域特征统计（一阶/二阶矩）来学习提示词，再传播到同批次 OOD 样本上，从而在持续变化的域中同时稳住分类与 OOD 检测；做测试时自适应或开放集部署时可直接借用这套样本拆分+提示词传播的闭环。