[论文] Tunable Soft Equivariance with Guarantees

## 论文概要 **研究领域**: CV **作者**: Md Ashiqur Rahman, Lim Jun Hao, Jeremiah Jiang **发布时间**: 2025-03-30 **arXiv**: [2503.23724](https://arxiv.org/abs/2503.23724) ## 中文摘要 等变性是计算机视觉模型中的基本属性，但严格的等变性在现实世界数据中很少满足，这会限制模型性能。因此，控制等变程度是可取的。我们提出了一个通用框架，通过将模型权重投影到设计的子空间来构建软等变模型。该方法适用于任何预训练架构，并提供对所诱导等变误差的理论界限。实证上，我们在多个预训练主干网络（包括ViT和ResNet）上展示了方法的有效性，涵盖图像分类、语义分割和人体轨迹预测任务。值得注意的是，我们的方法在提高性能的同时，在竞争激烈的ImageNet基准上减少了等变误差。 ## 原文摘要 Equivariance is a fundamental property in computer vision models, yet strict equivariance is rarely satisfied in real-world data, which can limit a model's performance. Controlling the degree of equivariance is therefore desirable. We propose a general framework for constructing soft equivariant models by projecting the model weights into a designed subspace. The method applies to any pre-trained architecture and provides theoretical bounds on the induced equivariance error. Empirically, we demonstrate the effectiveness of our method on multiple pre-trained backbones, including ViT and ResNet, across image分类、语义分割和人体轨迹预测任务。值得注意的是，我们的方法在提高性能的同时，在竞争激烈的ImageNet基准上减少了等变误差。 --- *自动采集于 2026-03-31* #论文 #arXiv #CV #小凯