Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.00868v2

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.00868v2 (cs)
[提交于 2025年7月1日 (v1) ,最后修订 2025年7月2日 (此版本, v2)]

标题: 视觉上下文学习在组合医学任务中是否可行?

标题: Is Visual in-Context Learning for Compositional Medical Tasks within Reach?

Authors:Simon Reiß, Zdravko Marinov, Alexander Jaus, Constantin Seibold, M. Saquib Sarfraz, Erik Rodner, Rainer Stiefelhagen
摘要: 在本文中,我们探讨了视觉上下文学习的潜力,以使单个模型能够处理多个任务,并在测试时适应新任务而无需重新训练。 与之前的方法不同,我们的重点是训练上下文学习者以适应任务序列,而不是单个任务。 我们的目标是使用单个模型解决涉及多个中间步骤的复杂任务,从而使用户能够在测试时灵活定义完整的视觉流程。 为此,我们首先研究了视觉上下文学习架构的特性和限制,特别关注代码本的作用。 然后,我们引入了一种使用合成组合任务生成引擎来训练上下文学习者的新方法。 该引擎从任意分割数据集中引导任务序列,使得可以对组合任务进行视觉上下文学习者的训练。 此外,我们研究了不同的基于掩码的训练目标,以深入了解如何更好地训练模型以解决复杂、组合性任务。 我们的探索不仅为多模态医学任务序列提供了重要的见解,还突出了需要解决的挑战。
摘要: In this paper, we explore the potential of visual in-context learning to enable a single model to handle multiple tasks and adapt to new tasks during test time without re-training. Unlike previous approaches, our focus is on training in-context learners to adapt to sequences of tasks, rather than individual tasks. Our goal is to solve complex tasks that involve multiple intermediate steps using a single model, allowing users to define entire vision pipelines flexibly at test time. To achieve this, we first examine the properties and limitations of visual in-context learning architectures, with a particular focus on the role of codebooks. We then introduce a novel method for training in-context learners using a synthetic compositional task generation engine. This engine bootstraps task sequences from arbitrary segmentation datasets, enabling the training of visual in-context learners for compositional tasks. Additionally, we investigate different masking-based training objectives to gather insights into how to train models better for solving complex, compositional tasks. Our exploration not only provides important insights especially for multi-modal medical task sequences but also highlights challenges that need to be addressed.
评论: 被ICCV 2025接收
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.00868 [cs.CV]
  (或者 arXiv:2507.00868v2 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.00868
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Simon Reiß [查看电子邮件]
[v1] 星期二, 2025 年 7 月 1 日 15:32:23 UTC (4,541 KB)
[v2] 星期三, 2025 年 7 月 2 日 09:16:31 UTC (4,541 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号