G-FSCIL：用筛选的生成数据做少样本类增量学习
Get the story
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。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Computer Vision面向通用少样本类增量学习的生成数据筛选方法
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，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。
Heat trend
Current heat 9·Comparable peak 10（Oct 7）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.