面向对象中心场景表示的超球体视角
计算机视觉与模式识别
2026-03-31 v2
摘要
Slot attention 已成为无监督对象中心学习的强大框架，通过将视觉场景分解为小组紧凑向量表示（称为"槽位"）来实现，每个槽位捕获一个 distinct 区域或对象。然而，这些槽位是在欧几里得空间中学习的，为自然结构化视觉场景所具有的层次关系提供了没有几何归因的偏置。在本工作中，我们提出了一种简单的事后管线，将欧几里得槽嵌入投影到 Lorentz 超球体的双曲空间，而无需修改底层训练管线。我们直接从slot attention掩码构建五级视觉层次结构，并分析双曲几何是否揭示了在欧几里得空间中不可见的潜在层次结构。将我们的管线与SPOT（图像）、VideoSAUR（视频）和SlotContrast（视频）集成，我们发现双曲投影暴露了一种一致的场景级到对象级组织，其中粗糙槽位占据更深的流形深度，而细粒槽位则不存在于欧几里得空间中。我们进一步识别出一种"曲率-任务权衡"：低曲率（）在父级槽位检索方面可与欧几里得空间相当或更好，而适中曲率（）实现更好的跨层分离。总体而言，这些发现表明，槽位表示已经编码潜在的层次结构，双曲几何揭示了这一点，激励端到端的双曲训练作为下一步的自然选择。代码和模型可在\href{https://github.com/NeeluMadan/HHS}{github.com/NeeluMadan/HHS}获取。
引用
@article{arxiv.2603.14022,
title = {A Hyperbolic Perspective on Hierarchical Structure in Object-Centric Scene Representations},
author = {Neelu Madan and Àlex Pujol and Andreas Møgelmose and Sergio Escalera and Kamal Nasrollahi and Graham W. Taylor and Thomas B. Moeslund},
journal= {arXiv preprint arXiv:2603.14022},
year = {2026}
}
备注
accepted at CVPR Workshops 2026