[2025CVPR-小样本方向]ImagineFSL：基于VLM的少样本学习的想象基集上的自监督预训练很重要

1. ​论文概述与背景​

• ​标题与作者​：论文题为“ImagineFSL: Self-Supervised Pretraining Matters on Imagined Base Set for VLM-based Few-shot Learning”。作者团队包括 Haoyuan Yang、Xiaoou Li 等，来自大连理工大学、北京邮电大学和天津大学。项目主页：https://peihuali.org/ImagineFSL。
• ​核心问题​：现有基于 CLIP 的少样本学习（Few-shot Learning, FSL）方法面临数据稀缺问题。尽管文本到图像（T2I）模型能生成大量合成图像，但现有工作（如 DISEF、DataDream）仅将其作为真实图像的补充，而非独立知识库，导致性能受限。
• ​主要目标​：提出 ImagineFSL，一种两阶段框架，将合成图像视为独立的“想象基础集”（iBase），通过自监督预训练学习可迁移表示，再微调适应下游少样本任务，显著提升数据利用效率。

---

2. ​方法创新：ImagineFSL 框架​

ImagineFSL 的核心是两阶段流程：预训练（Pretraining on iBase）和微调（Fine-tuning for FSL）。以下分步详解：

​2.1 预训练阶段：自监督学习在 iBase 上​

• ​iBase 定义