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:2508.00260v1

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2508.00260v1 (cs)
[提交于 2025年8月1日 ]

标题: 基于指令的视觉投影器用于生成式视觉-语言模型的持续学习

标题: Instruction-Grounded Visual Projectors for Continual Learning of Generative Vision-Language Models

Authors:Hyundong Jin, Hyung Jin Chang, Eunwoo Kim
摘要: 持续学习使预训练的生成视觉-语言模型(VLMs)能够在不使用以前的再训练数据的情况下,将新任务的知识纳入其中。最近的方法更新了视觉投影器,以将视觉信息翻译为新任务,将预训练的视觉编码器与大型语言模型连接起来。然而,这样的调整可能导致模型更重视视觉输入而不是语言指令,特别是在学习具有重复类型文本指令的任务时。为了解决对语言指令的忽视,我们提出了一种新的框架,该框架基于语言模型的指令来实现视觉信息的翻译。我们引入了视觉投影器的混合,每个投影器根据给定的指令上下文作为专门的视觉到语言翻译专家,以适应新任务。为了避免在不相关的指令上下文中使用专家,我们提出了一个专家推荐策略,该策略重新使用之前学习过的类似任务的专家。此外,我们引入了专家剪枝,以减轻在先前任务中累积激活的专家使用带来的干扰。在多种视觉-语言任务上的广泛实验表明,我们的方法通过生成遵循指令的响应,优于现有的持续学习方法。
摘要: Continual learning enables pre-trained generative vision-language models (VLMs) to incorporate knowledge from new tasks without retraining data from previous ones. Recent methods update a visual projector to translate visual information for new tasks, connecting pre-trained vision encoders with large language models. However, such adjustments may cause the models to prioritize visual inputs over language instructions, particularly learning tasks with repetitive types of textual instructions. To address the neglect of language instructions, we propose a novel framework that grounds the translation of visual information on instructions for language models. We introduce a mixture of visual projectors, each serving as a specialized visual-to-language translation expert based on the given instruction context to adapt to new tasks. To avoid using experts for irrelevant instruction contexts, we propose an expert recommendation strategy that reuses experts for tasks similar to those previously learned. Additionally, we introduce expert pruning to alleviate interference from the use of experts that cumulatively activated in previous tasks. Extensive experiments on diverse vision-language tasks demonstrate that our method outperforms existing continual learning approaches by generating instruction-following responses.
评论: 被ICCV 2025接收
主题: 计算机视觉与模式识别 (cs.CV) ; 多媒体 (cs.MM)
引用方式: arXiv:2508.00260 [cs.CV]
  (或者 arXiv:2508.00260v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.00260
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Hyundong Jin [查看电子邮件]
[v1] 星期五, 2025 年 8 月 1 日 02:08:09 UTC (5,215 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
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.MM

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