1. 背景与问题定义
- 视觉语言模型（如CLIP）在单标签识别中表现出色，但在零样本多标签识别（MLR）任务中表现不佳。MLR要求模型识别图像中多个对象（例如，图像包含"猫"和"沙发"），而无需任何特定训练数据或微调。
- 现有方法依赖于提示调优（prompt tuning）或架构修改，这限制了其零样本适用性。VLMs的分数存在图像级偏差（image-level bias，即同一图像在不同提示下分数变化）和提示级偏差（prompt-level bias，即同一提示在不同图像下分数变化），这些偏差导致MLR性能下降，尤其是在基于平均精度均值（mAP）的排名任务中。
- 核心挑战包括：VLMs对复合提示（如"猫和沙发"）表现出"OR-like"行为（即高分数可能仅因一个对象存在），而非理想的"AND-like"行为（即仅当所有对象同时存在时高分数）。
2. 核心贡献
SPARC的核心创新包括两个主要部分：
- 分数标准化（Score Normalization） ：研究发现，VLM分数受图像级和提示级偏差影响，导致mAP显著下降。简单标准化（即减去平均值并除以标准差）能有效去除这些偏差。例如：
- 图像级标准化：针对单个图像，对所有提示分数进行归一化，消除图像特定偏差。
- 提示级标准化 ：针对单个提示，对所有图像分数进行归一化，消除提示特定偏差。
实验证明，仅标准化就能提升mAP 6-10%在COCO、VOC和NUSWIDE数据集上。标准化后，分数更可靠，便于比较和融合。
复合提示与自适应融合（Compound Prompts and Adaptive Fusion）：
- 复合提示生成：基于现实对象组合（如"猫和沙发"）创建提示，利用上下文关联增强检测。提示包括成对（"A and B"）和三元组（"A, B, and C"）形式，并通过大语言模型（LLM）生成自然句子。提示选择使用粗略共现概率（例如，过滤掉低概率组合），平均每类生成≤20个提示。
- 自适应融合 ：研究发现，最大复合分数（如最高排名的提示分数）常因"OR-like"行为导致假阳性（即高分数可能仅因一个对象存在）。相反，第二高分数更可靠，因它捕捉对象组合的"AND-like"行为（即仅当所有对象存在时高分数）。SPARC引入基于主成分分析（PCA）的自适应融合：
- 提取复合分数的顺序统计量（如第k高分数）。
- 计算最大化方差方向（即第一主成分）作为权重，融合顺序统计量和单例提示分数。
- 最终分数通过合并原始单例分数和融合分数获得。
3. 方法细节
SPARC算法（Algorithm 1）分为三步：
- 输入：图像集和类名。
- 步骤 ：
- 生成复合提示：使用类名创建复合提示，基于共现概率过滤（例如，阈值τ₂=0.05用于成对提示）。
- 获取分数并标准化：查询VLM获取单例提示分数和复合提示分数，然后应用图像级和提示级标准化（公式1-2）。
- 自适应融合：对每类计算顺序统计量，使用PCA融合（公式3-5），例如，最终分数ζᵢᵗ = sᵢᵗ + 融合分数。
- 噪声模型：VLMs分数可建模为sᵢⱼᵗ = θ₁ᵗ · f(yᵢᵗ, yⱼᵗ) + θ₀ᵗ + ε，其中f函数显示"OR-like"行为（高分数因单对象）和"AND-like"行为（高分数因所有对象）。标准化有效处理θ₀ᵗ和θ₁ᵗ偏差，而融合减轻f函数的歧义。
4. 实验验证
实验在三个数据集（COCO、VOC、NUSWIDE）和九个CLIP骨干（如ViT-L/14、RN50）上进行：
- 基准比较：SPARC相比Vanilla ZSCLIP（单例提示），平均mAP提升12.6%（COCO）、8.8%（VOC）、7.9%（NUSWIDE）。改进一致，所有骨干提升6-15%。
- 互补性：SPARC与现有方法（如TagCLIP、TaI-DPT）集成，进一步提升mAP（平均1.6-1.7%）。例如，在TagCLIP上集成后mAP从81.3%升至82.9%。
- 消融实验 ：
- 标准化模块：单独标准化提升单例提示mAP 7.7%；与复合提示结合提升8.6%。
- 融合策略：自适应融合优于固定策略（如k-th最高分数或平均值）。第二高分数比最高分数更可靠，因最高分数易受假阳性影响。
5. 结论与意义
- SPARC是一种完全零样本方法，无需训练数据或VLM内部访问，通过系统性提示设计和分数解释提升MLR性能。关键发现包括：标准化有效去除偏差；复合提示的第二高分数优于最大分数；自适应融合优化排名。
- 该方法揭示了VLM评分行为的新见解（如"OR/AND"歧义），并为零样本MLR提供可扩展框架。SPARC互补现有方法，代码公开于GitHub。
- 总体意义：SPARC展示了通过分数分析而非架构修改实现鲁棒MLR的潜力，适用于机器人、医学影像等零样本场景。
总结而言，SPARC通过标准化和自适应融合解决了VLMs在零样本MLR中的核心偏差问题，显著提升mAP，同时保持模型无关和数据集独立特性。