BARIS：基于环境退化先验的边界感知 underwater instance segmentation 细化
计算机视觉与模式识别
2025-04-29 v1
摘要
水下实例分割因光衰、散射与色失真等恶劣视觉条件导致模型性能受损。本文提出BARIS-Decoder（边界感知实例分割细化解码器），通过特征细化提升分割精度。为解决水下退化问题，引入环境鲁棒适配器（ERA），该模块在建模水下退化模式的同时，将可训练参数减少超过90%。BARIS-Decoder与ERA调优融合后的BARIS-ERA实现了最先进的性能，分别以Swin-B背板和ConvNeXt V2为主干网络，相较于Mask R-CNN提升3.4和3.8个mAP。我们的发现表明，BARIS-ERA在推动水下实例分割方面具有有效性，为构建稳健且高效的解决方案提供了可能。
关键词
引用
@article{arxiv.2504.19643,
title = {BARIS: Boundary-Aware Refinement with Environmental Degradation Priors for Robust Underwater Instance Segmentation},
author = {Pin-Chi Pan and Soo-Chang Pei},
journal= {arXiv preprint arXiv:2504.19643},
year = {2025}
}
备注
15 pages, 9 figures, and 11 tables