AutoQ-VIS: 通过自动质量评估改进无监督视频实例分割
数据库
2025-08-28 v1 人工智能
摘要
视频实例分割（VIS）面临着由于像素级掩码和时间一致性标签双重要求而导致的显著标注挑战。虽然最近的无监督方法如 VideoCutLER 通过合成数据消除了对光流依赖，但仍受制于合成到真实域的鸿沟。我们提出AutoQ-VIS，一种新型无监督框架，通过质量导向自训练桥接此鸿沟。我们的 метод在伪标签生成和自动质量评估之间建立了一个闭环系统，使能够从合成视频逐步适应真实视频。实验表明，我们的方法在 YouTubeVIS-2019 验证集上实现了 52.6 ，超越了之前的无监督 SOTA 方法 VideoCutLER 的 4.4%，且无需任何人工标注。这表明了质量感知自训练对于无监督 VIS 的可行性。我们的方法源代码已公开于 https://github.com/wcbup/AutoQ-VIS。
关键词
引用
@article{arxiv.2508.19807,
title = {Bootstrapping Learned Cost Models with Synthetic SQL Queries},
author = {Michael Nidd and Christoph Miksovic and Thomas Gschwind and Francesco Fusco and Andrea Giovannini and Ioana Giurgiu},
journal= {arXiv preprint arXiv:2508.19807},
year = {2025}
}