真实世界单图像无监督目标分割的基准测试与分析

在本文中，我们研究了从单张图像中进行无监督目标分割的问题。我们并未引入新算法，而是系统地研究了现有无监督模型在具有挑战性的真实世界图像上的有效性。我们首先引入了七个复杂性因素，以定量衡量具有人工标注的数据集中背景和前景目标在外观和几何上的偏差分布。借助这些因素，我们通过实验发现，现有无监督模型无法分割真实世界图像中的通用目标，这并不令人意外，尽管它们可以轻松地在许多简单的合成数据集上取得优异的性能，这是由于合成图像与真实图像之间在目标性偏差上存在巨大差距。通过对多组消融的真实世界数据集进行广泛实验，我们最终发现，导致现有无监督模型在真实世界图像上失败的关键因素是背景和前景目标在外观和几何上具有挑战性的偏差分布。正因为如此，现有无监督模型中引入的归纳偏差很难捕捉到多样化的目标分布。我们的研究结果表明，未来的工作应在网络设计中利用更明确的目标性偏差。