PRAISE：属性子空间引导行人重识别

基于摘要分析。本文研究基于视觉语言模型（VLM）的行人重识别（ReID），提出 PRAISE（Prompt-guided Attribute-based Inference-time Similarity Enhancement），通过属性提示构建查询相关的低秩子空间，调整查询与图库之间的相似关系，并引导不依赖身份或属性标签的轻量推理时更新。 在图像到图像（I2I）ReID 中，视角、光照、遮挡和背景变化可能使干扰对象比真实匹配更相似；在文本到图像（T2I）ReID 中，描述可能遗漏关键视觉信息。衣着颜色、携带物等属性可提供细粒度线索，但作者指出，直接以属性提示相似度作为检索分数，会受到模板偏差、提示相关性和校准不足的影响。PRAISE 因此利用可迁移的属性提示库，选取与查询最相容的提示，构造 Attribute-Conditioned Subspace（ACS），以属性条件化的几何结构重塑检索关系，而非直接叠加提示分数。 作者报告，在多个 I2I 与 T2I ReID 基准上，PRAISE 持续改善 VLM 检索骨干，并优于通用及 ReID 专用的测试时自适应基线。摘要未提供基准名称、划分、指标或提升幅度；提示选择规则、子空间秩、更新目标、更新参数、计算开销及消融和统计信息尚未验证。 平台推测（待验证）：可迁移的机制是假设由任务相关语义锚点构造低秩子空间，能够抑制 EEG 表征中的部分干扰；但这依赖可对齐的 EEG 编码器、有效属性锚点及可靠的查询条件选择，原论文的视觉衣着属性不能直接复用。低信噪比、跨被试差异、通道变化和小数据可能导致子空间选错或更新漂移。一个可证伪的小实验是在固定跨被试 EEG 划分与编码器下，对比原始相似度、直接属性打分和属性条件子空间，并加入随机锚点对照，检验收益是否确由属性结构产生。该设想不是论文已验证结果，相关 EEG 工作尚未检索确认。