PulseAugur
中
实时 06:12:57
English(EN) DIFFCZSL: Compositional Zero-Shot Learning Regularized by Diffusion Representations

新DIFFCZSL框架利用扩散模型提升零样本学习能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了DIFFCZSL，一个通过整合扩散模型来增强组合式零样本学习（CZSL）的新框架。该方法利用中间扩散表示提供辅助监督，从而提高对概念及其组合之间结构化关系的理解。通过对齐CLIP嵌入与扩散特征，DIFFCZSL在不增加推理成本的情况下，鼓励更丰富、更具组合意识的语义。在公开基准上的实验表明，在封闭世界和开放世界场景中，该方法均优于现有的基于CLIP的方法，突显了生成式扩散表示与判别式视觉语言模型相结合的好处。 AI

影响 通过整合扩散模型，增强了零样本学习中的组合泛化能力，有潜力提高AI理解和生成复杂概念的能力。

排序理由 该集群描述了一篇关于特定机器学习任务新颖框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新DIFFCZSL框架利用扩散模型提升零样本学习能力

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Hangyu Tian, Zhenqi He, Yanghao Wang, Long Chen ·

    DIFFCZSL：由扩散表示正则化的组合式零样本学习

    arXiv:2608.19871v1 Announce Type: new Abstract: Compositional Zero-Shot Learning (CZSL) aims to recognize unseen attribute-object compositions by leveraging knowledge of primitive concepts learned from seen compositions. Although recent works achieve impressive performance in CZS…

相关实体

相关话题