论文题目：Task-Customized Mixture of Adapters for General Image Fusion
作者：朱鹏飞，孙洋（硕士研究生），曹兵，胡清华
论文概述：通用图像融合旨在整合来自多源图像的重要信息。然而，由于不同融合任务之间存在巨大差距，各自的融合机制在实践中差异很大，导致各子任务之间的性能有限。为了解决这个问题，我们为通用图像融合提出了一种新的任务定制混合Adapters（TC-MoA），在一个统一的模型中自适应地提示各种融合任务。我们借鉴了混合专家（MoE）的设计，高效微调混合Adapters，以提示预先训练好的基础模型。特定任务路由网络会定制这些Adapters的混合，以便从具有动态地从不同源图像中提取特定任务信息，执行自适应视觉特征提示融合。这些Adapters可在不同任务间共享，并受到互信息正则化的约束，从而确保与不同任务的兼容性，同时实现多源图像的互补。值得注意的是，我们的 TC-MoA 可以控制不同融合任务的主导强度偏差，成功地将多个融合任务统一在一个模型中。广泛的实验表明，TC-MoA 在学习共性方面优于其他竞争方法，同时还保留了一般图像融合（多模态、多曝光和多焦点）的兼容性，并在更广泛的实验中表现出惊人的可控性。
论文题目：AMU-Tuning: Learning Effective Bias for CLIP-based Few-shot Classification
作者：汤钰炜（硕士研究生），林桢熠（硕士研究生），王旗龙，朱鹏飞，胡清华
论文概述：最近，预训练的视觉-语言模型（如CLIP）在few-shot learning领域显示出了巨大的潜力，吸引了大量的研究关注。虽然人们已经为提高CLIP的few-shot泛化能力做了大量努力，但现有方法有效的关键因素尚未得到充分研究，限制了CLIP在few-shot learning领域的进一步探索。在这篇文章中，我们首次从logit bias的角度，引入了一个统一的公式分析现有的基于CLIP的few-shot learning方法，这促进我们学习一个有效的logit bias来进一步提高基于CLIP的few-shot learning方法的性能。
为此，我们分解了三个涉及logit bias计算的关键组件（即logit特征、logit预测器和logit融合），并在经验上分析了对few-shot分类性能的影响。根据对关键组件的分析，这篇文章提出了一种新的AMU-Tuning方法，学习有效的logit bias来实现基于CLIP的few-shot分类方法。具体来说，我们的AMU-Tuning方法通过利用适当的辅助特征来预测logit偏差，这些特征被输入一个高效的特征初始化线性分类器，该分类器使用多分支训练。最后，开发了一种基于不确定性的融合方法，将logit bias引入到CLIP中，用于few-shot分类。实验是在几个广泛使用的基准上进行的，结果表明我们提出的AMU-Tuning明显优于同类方法的性能，同时在没有额外技巧的条件下实现了最先进的性能。
