[论文翻译]从姿态到身份：基于特征中心化的免训练行人重识别

行人重识别（ReID）旨在提取准确的身份表征特征。然而在特征提取过程中，个体样本难免会受到噪声（背景、遮挡和模型局限）的影响。考虑到训练后同一身份的特征会围绕身份中心呈正态分布，我们提出了一种免训练特征中心化ReID框架（Pose2ID），通过聚合相同身份特征来降低个体噪声并增强身份表征的稳定性，同时保留特征的原始分布以支持重排序等后续策略。具体而言，为获取同身份样本，我们引入两个组件：①身份引导的行人生成：通过身份特征指导生成过程，获得具有多样姿态的高质量图像，即使在红外、遮挡等复杂场景下也能保持身份一致性；②邻域特征中心化：从样本邻域中挖掘潜在正样本。实验表明，我们的生成模型展现出强大的泛化能力并保持高度身份一致性。借助特征中心化框架，仅使用ImageNet预训练模型（未经ReID训练）即可在Market1501上取得52.8%/78.92%的mAP/Rank-1优异表现。此外，本方法在标准、跨模态和遮挡ReID任务中均刷新了当前最优性能，展现出强大的适应性。