基于自动质量引导的自监督视频实例分割提升方案

视频实例分割 (VIS) 因其对像素级掩码和时间一致性标签的双重要求，面临着显著的标注挑战。虽然近期的无监督方法如 VideoCutLER 通过合成数据消除了光流依赖，但仍受制于合成到真实的域间差距。我们提出 AutoQ-VIS，一种新型无监督框架，通过质量引导的自训练桥接了这一鸿沟。我们的方法在伪标签生成和自动质量评估之间建立了闭环系统，使其能够从合成视频逐步适应真实视频。实验表明，在 YouTubeVIS-2019 $\texttt{val}$ 数据集上实现了 52.6 $\text{AP}_{50}$ 的 state-of-the-art 性能，超越了之前的 state-of-the-art VideoCutLER 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。我们将在 https://github.com/wcbup/AutoQ-VIS 上发布代码。