G-FSCIL：用筛选的生成数据做少样本类增量学习

2026年10月7日，arXiv Computer Vision（一手来源）发表论文，提出通用少样本类增量学习（G-FSCIL）设定：基础会话本身仅含少量类别，需解决基类与增量数据同时稀缺导致的表征薄弱与语义漂移问题。方法使用冻结的扩散模型构建类特定合成候选池，在首次观测时执行类反转并复用条件嵌入按需生成，再学习知识筛选策略选出兼具语义一致性与视觉多样性的样本，并蒸馏为可迁移的选择策略。目前报道仅涉及该论文内容，尚无后续实验验证或第三方复现信息。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。