基于增强异常对比学习的组合视觉关系预测性推理

针对组合视觉关系（CVR）任务复杂性高且探索不足的问题，本文提出了一种名为“基于增强异常对比学习的预测性推理”（PR-A²CL）的方法。该方法旨在通过识别遵循相同组合规则的图像中的异常值来解决 CVR 任务。为此，设计了增强异常对比学习机制，通过最大化正常实例间的相似性并最小化正常与异常实例间的相似性，提取具有判别力和泛化性的特征。更重要的是，引入了一种“预测 - 验证”范式用于基于规则的推理，其中一系列预测异常推理块（PARBs）迭代利用三张图像的特征来预测第四张图像的特征，并在验证阶段逐步定位由底层规则引起的具体差异。在 SVRT、CVR 和 MC²R 数据集上的实验结果表明，该方法显著优于现有的最先进推理模型。