概括：作者发现 CLIP 里冻结的 ResNet 图像编码器，其前 4 层多尺度密集特征对噪声相对不敏感同时保持内容判别性。于是通过训练一个编码器，将带噪声的图像还原为干净图像。 CLIP 提供了两种图像编码器，ResNet 和 ViT。ResNet 通过连续的 Conv-block 和 Pooling 操作提取多尺度特征图，ViT 则是将图像分解…

最近 FSL 的文章看的比较少，这篇算其中之一，感觉讲的比较有意思，所以记录一下。 简单说就是在以往的 FSL 问题的处理方法中，用到 Prototype 的方法基本都是先将图像嵌入，然后通过一个转换头后在对同一类的图像求加权平均得到他们的 Prototype。然后在测试的时候求图像和每个 Prototype 的欧氏距离找最小的作为答案。本文中提到…