近日，实验室2020级博士生王任一篇论文“MetaViewer: Towards A Unified Multi-View Representation”（作者：王任，孙皓亮，马玉玲，袭肖明，尹义龙）被CVPR2023会议录用。CVPR是国际计算机视觉顶尖和权威学术会议之一，属于CCF A类会议。

多视图表示学习（Multi-view representation learning）旨在通过多个可观测视图学习实体样本的统一表示，在分类、聚类等下游任务中发挥着重要作用。大多数现有多视图表示方法遵循“特殊到一般”的学习过程，即“先编码特定视图的潜在特征，后融合到统一表示”。手工设计的融合策略（如特征拼接、加权融合等）限制了得到统一表示的质量，逐步成为多视图表示学习中的瓶颈问题。为了解决这个问题，本文从元学习的视角，提出了一种新的“一般到特殊”的多视图学习框架，其中潜在特征的融合由元学习器MetaViewer自动学习而无需手工设计的规则。MetaViewer通过观察统一表示到各个视图的重建过程学习数据相关的融合策略，这个过程本质上是一个嵌套优化问题，并最终由bi-level优化策略求解。另外，由于解耦了统一表示和特定编码的学习过程，我们“一般到特殊”的学习框架可以兼容大多数出色的损失函数和pre-text任务，进一步提升分类、聚类等下游任务上的性能。