Prompt-Driven Feature Diffusion for Open-World Semi-Supervised Learning

本文提出了一种新颖的方法，称为Prompt-Driven Feature Diffusion (PDFD)，在半监督学习框架下用于开放世界半监督学习(OW-SSL)。PDFD的核心是采用高效的特征级扩散模型，通过类别特定的提示来支持辨别特征表示学习和特征生成，解决OW-SSL中未知类别标记数据不可用的问题。特别地，PDFD在扩散模型中利用类别原型作为提示，利用它们的类别区分和语义概括能力来调节和指导所有已知和未知类别的扩散过程。此外，PDFD还采用了类条件对抗损失进行扩散模型训练，确保通过扩散过程生成的特征能够与真实数据的类条件特征具有辨别对齐性。此外，未知类别的类别原型是在半监督学习框架下仅使用有自信预测的未标记实例计算的。我们进行了大量实验来评估所提出的PDFD。实证结果表明，PDFD相对于许多现有的最先进方法具有显着的性能提升。

本文旨在解决开放世界半监督学习中标签数据不可用问题，提出了一种名为Prompt-Driven Feature Diffusion (PDFD)的新方法。

PDFD采用高效的特征级扩散模型，引导类别特定提示，支持区分特征表示学习和特征生成，利用类原型作为提示，在所有已见和未见类之间进行扩散过程，融入了类条件对抗损失进行扩散模型训练，确保通过扩散过程生成的特征能够与真实数据的类条件特征具有区分性对齐。

本文的亮点包括：1. 提出了一种新的方法来解决开放世界半监督学习中标签数据不可用问题；2. PDFD采用了高效的特征级扩散模型，引导类别特定提示，支持区分特征表示学习和特征生成；3. PDFD在类条件对抗损失的帮助下，生成的特征能够与真实数据的类条件特征具有区分性对齐；4. 实验结果表明，PDFD在许多现有方法上表现出显着的性能提升。

在这个领域中，还有一些相关的研究，例如：1.《Open-World Recognition》；2.《Open-Set Recognition: An Introduction and Overview》；3.《Open Set Domain Adaptation》等。