DiffReID：用于对象重新识别的判别扩散模型

作为一项基本的图像处理任务，对象重新识别（ReID）旨在跨非重叠摄像机检索对象。近年来，随着深度学习的发展，对象ReID取得了重大进展。然而，由于 ReID 数据集的大小和多样性有限，大多数现有方法都存在泛化问题。与此同时，当前的模型往往侧重于提取语义模式，而不是学习身份感知特征分布。为了解决这些问题，我们提出了一种名为 DiffReID 的新特征学习框架，用于对象 ReID。它利用判别扩散模型来逐渐学习身份感知分布并生成身份不变特征。更具体地说，通过对比语言图像预训练（CLIP）模型，我们首先通过提示调整获得身份感知文本特征。然后，我们提出了一种视觉引导噪声生成器（VNG）来初始化概率噪声并逐渐破坏身份感知文本特征。然后，我们以视觉特征为条件，提出一种轻量级降噪器（LWD）来逐步对损坏的文本特征进行降噪，以进行身份​​感知分布学习。为了获得判别性特征，我们进一步从随机采样视觉引导噪声中生成身份不变的引导特征。最后，我们提出了一种相互增强约束（MEC）来促进视觉特征和引导特征之间的相互学习，以增强表示的鲁棒性和辨别力。对五个对象 ReID 基准的广泛实验表明，我们的方法比大多数最先进的方法显示出更好的结果。源代码可在 https://github.com/AWangYQ/DiffReID. 获取