Rethinking Clothes Changing Person ReID: Conflicts, Synthesis, and Optimization

衣服变换人员再识别（CC-ReID）旨在检索穿着不同服装的同一人的图像。主流研究集中于设计先进的模型结构和策略，以捕获独立于服装的身份信息。然而，在以前的研究中，常被忽略的是CC-ReID中与标准ReID学习目标相同的服装区分。在本研究中，我们深入探讨了标准和衣服变换（CC）学习目标之间的关系，并将这两个目标之间的内在冲突提到了前面。我们试图通过提供由我们提出的衣服变换扩散模型产生的高保真度的变化衣服综合来放大CC训练对的比例。通过将合成图像纳入CC-ReID模型训练中，我们观察到在CC协议下有显着的改进。然而，这种改进牺牲了标准协议下的性能，由于标准和CC之间的内在冲突。为了缓解冲突，我们将这些目标解耦并将CC-ReID学习重新制定为多目标优化（MOO）问题。通过有效地规范跨多个目标的梯度曲率并引入偏好限制，我们的MOO解决方案超过了单任务训练范式。我们的框架是模型不可知的，并在CC和标准ReID协议下展示出卓越的性能。

本论文旨在解决衣服变换人物识别（CC-ReID）中标准ReID学习目标与同衣服识别目标之间的内在冲突问题。

通过提出Clothes-Changing Diffusion模型，生成高保真度的变换衣服的合成图像，并将其纳入CC-ReID模型的训练中，从而增加CC训练对。为了解决标准ReID学习目标与同衣服识别目标之间的内在冲突，将CC-ReID学习重新构造为多目标优化问题，并通过有效的正则化梯度曲率和引入偏好限制来实现冲突缓解。

论文使用了Clothes-Changing Diffusion模型生成高保真度的变换衣服的合成图像，并将其纳入CC-ReID模型的训练中，从而增加CC训练对。论文提出了一种多目标优化（MOO）的解决方案，通过有效的正则化梯度曲率和引入偏好限制来解决标准ReID学习目标与同衣服识别目标之间的内在冲突。

在相关研究中，最近的一些相关论文包括：'Beyond Part Models: Person Retrieval with Refined Part Pooling (and A Strong Convolutional Baseline)', 'Learning Discriminative Features with Multiple Granularities for Person Re-Identification'等。