通过无标签提示分布学习和偏差校正增强零样本视觉模型

本文解决了当前视觉语言模型（如CLIP）在缺乏标签数据时超越零样本性能的挑战，提出了一种名为“Frolic”的无标签提示分布学习和偏差校正框架。研究表明，该方法通过学习提示原型的分布并进行标签偏差的校正，有效提高了模型在多个数据集上的表现，展示了极大的应用潜力。