摘要由 AI 生成
研究团队提出 Diffuse2Seg 方法，利用文生图扩散模型在无需监督数据的情况下，通过自注意力机制传播点提示并保留边缘特征，实现了开放世界实体分割。该方法在五个领域的 AR_1000 指标上较现有最佳标签生成器提升 4.3% 至 7.1%。基于生成的掩码训练的实例分割模型，在 Things 和 Stuff+Things 数据集上分别提升了 7.4% 和 7.7%，并在 Stuff+Things 数据集上超越 UnSAM 2.1 版本。此外，该模型生成的标签可作为半监督学习的强初始化，仅需 5k 标注图像即可优于全监督方法。
关键实体KEY ENTITIES
Diffuse2SegSAMUnSAM
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
全部报道（1）SOURCES
↗
Open-world entity segmentation 领域引入 Diffuse2Seg，利用文生图扩散模型无需监督即可生成任意对象掩码。该方法通过自注意力机制传播点提示并保留边缘特征，在五个领域的 AR_1000 指标上比现有最佳标签生成器提升 4.3-7.1 个百分点。基于生成的掩码训练实例分割模型，在"things"和"stuff+things"数据集上分别提升 7.4 和 7.7 个百分点，并在"stuff+things"数据集上超越 UnSAM 2.1 个百分点。此外，该模型提供的标签可作为半监督学习的强初始化，仅需 5k 标注图像即可优于全监督对应方法。