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。