AAPL: Adding Attributes to Prompt Learning for Vision-Language Models（2024CVPR）

• 问题：在unseen class上，性能提升有限
• 解决：在提示学习中引入对抗性标记嵌入adversarial token embedding， 将低层次视觉增强特征与高层次类别信息解耦，解决传统零样本学习技术中的数据增强问题。
• AdTriplet损失函数

对比CoCoOp和APPL

• 1、2：类别
• A、B：不同的随机增强
• pull：对图像进行不同的随机增强后，即时希望图像有所不同，但它们仍然是同一个类别。因此增量元标记通过将相同类别的增量原标记拉近，来学习相似的属性特征。
• push：对于不同类别的图像，它们的增量元标记应该学习到不同的属性特征。因此需要embedding中将它们推开来学习。

动机

meta token不能有效的捕捉语义信息
提出 delta meta token

• 需要两个类别
• 两种随机增强（从SimCLR提出的14种无重复增强方法种随机选择两种）

对抗性三重损失

constraints-2

• Δpai 1A
• 正对 Δpai 2A：不同类别，相同增强
• 反对 Δpai 1B：相同类别，不同增强

constraints-4

总损失

实验

base to new 76.01

总结

• 在CoCoOp上的改进，在原本的meta-net中，增加了Adtriplet loss。通过在两个类别，两种随机增强之间计算，更新meta-net。
• 然后将meta token加入到Learnable prompt里面，和CoCoOp一样

疑问

为什么这样做能达到解耦的效果？

• 增量元标记Δmeat tokens：从同一类别不同增强的图像中相减得到，主要捕捉图像增强的变化（低层次特征差异，与类别的高层语义信息无关）
• 使得增量元标记可以专注于增强引入的低层次特征，而非类别本身的特征

对抗三重损失的作用？

• 拉近同一类别的不同增强版本
• 推开不同类别的增量元标记，进一步区分类别之间的特征
• 帮助低层次的视觉特征（亮度、颜色）与高层次的语义特征（类别）之间，建立清晰的界限
• 使得模型学会增强特征与类别特征的区分能力，有效将两者解耦

可学习提示？

• 最后将增量元标记中的属性特定偏差引入到learnable prompt中，此时增量元标记包含低层次增强特征，让提示学习可以专注于高层次类别信息。