面向免训练伪装目标分割的实例感知提示框架
计算机视觉与模式识别
2025-11-13 v3
摘要
免训练伪装目标分割（COS）旨在无需特定任务训练的情况下，通过自动生成视觉提示来引导 Segment Anything Model (SAM) 分割伪装目标。然而，现有流程大多产生语义级提示，这驱动 SAM 生成粗糙的语义掩码，并难以有效处理多个离散的伪装实例。为解决这一关键局限，我们提出了一个实例感知提示框架（IAPF），专为免训练 COS 设计，将提示粒度从语义级提升至实例级，同时保持所有组件冻结。其核心是一个实例掩码生成器，该生成器 (i) 利用与检测器无关的枚举器为前景标签生成精确的实例级框提示，并 (ii) 引入单前景多背景提示（SFMBP）策略，在每个框提示内采样区域约束的点提示，使 SAM 能够输出实例掩码。该流程由一个简单的文本提示生成器支持，该生成器生成图像特定的标签，并通过同义任务通用提示间的自一致性投票来稳定推理。在三个 COS 基准、两个 CIS 基准和两个下游数据集上的广泛评估表明，该方法在免训练方法中达到了最先进的性能。代码将在接收后发布。
引用
@article{arxiv.2508.06904,
title = {An Instance-Aware Prompting Framework for Training-free Camouflaged Object Segmentation},
author = {Chao Yin and Jide Li and Hang Yao and Xiaoqiang Li},
journal= {arXiv preprint arXiv:2508.06904},
year = {2025}
}
备注
under review