提出G-FSCIL合成数据筛选框架

研究提出可泛化小样本类增量学习（G-FSCIL）设定，即基类会话本身仅有少量类别。方法用冻结的潜在扩散模型构建类特定合成候选池，并学习兼顾语义一致性与视觉多样性的知识筛选策略，将其蒸馏为可迁移的选择策略在基类会话后复用。配合合成信息原型初始化与双向边界校准，该方法在实验中持续优于现有 FSCIL 基线，减少遗忘并改善新旧类平衡。

摘自 arXiv cs.CV

还没有足够的连续观测数据，暂不绘制趋势。