본 논문은 기존의 Generalized Category Discovery (GCD) 방법들이 미세한 차이를 구분해야 하는 세밀한 영역(fine-grained scenarios)에서 성능이 저조한 문제를 해결하기 위해, 부분 정보(part knowledge)를 활용하는 새로운 방법인 PartGCD를 제안합니다. 기존 GCD 방법들은 전역 이미지 특징에 대한 대조 학습에 의존하여 차별적 단서를 자동으로 포착하지만, 세밀한 범주를 구분하는 데 필수적인 미묘한 지역적 차이를 포착하는 데 실패합니다. PartGCD는 1) 가우시안 혼합 모델을 이용하여 클래스 특정 의미 부분을 자동으로 추출하는 적응적 부분 분해(Adaptive Part Decomposition)와 2) 미세한 지역적 부분 차이를 증폭하기 위해 부분 특징 간의 명시적 분리를 강제하는 부분 불일치 정규화(Part Discrepancy Regularization)를 통해 이 문제를 해결합니다. 실험 결과, 여러 세밀한 벤치마크에서 최첨단 성능을 달성하는 동시에 일반적인 데이터셋에서도 경쟁력 있는 성능을 유지함을 보여줍니다.
