ConceptSeg-R1：通过元强化学习对任意概念进行分割
计算机视觉与模式识别
2026-05-21 v1 人工智能
摘要
近期的可提示分割技术进展已将视觉感知从对象级定位转向概念级理解。然而，概念的概念化表述仍不明确，导致当前方法是否真正超越了类别识别尚不清晰。本文通过由三级分类法构成的概念化框架，对概念分割进行形式化定义，包括情境无关 (CI)、情境依赖 (CD) 和情境推理 (CR) 概念，揭示了认知复杂度提升过程中的明显能力差距。为解决这一挑战，我们提出了 ConceptSeg-R1，一个统一框架，将概念分割重新表述为规则诱导的概念定位。在我们方法的核心是 Meta-GRPO，这是一种元强化学习机制，从视觉演示中学习可迁移任务规则，并通过代理推理进行验证。推断得到的推理状态随后通过轻量级概念翻译模块转化为就绪的概念提示，从而实现对目标图像的演绎应用。进一步地，一种快捷路由策略进一步保留了分割模型在简单情形下的原生效率。为系统评估概念化分割，我们在跨越自然、工业、医疗和推理密集型领域的多样化 CI、CD 和 CR 概念分割基准上进行了大量实验。在不使用任何花哨技巧的情况下，ConceptSeg-R1 在完整概念层级上实现了卓越的性能，同时保持了可提示分割主干模型的原生能力。作为向任何概念分割迈出的第一步，我们希望 ConceptSeg-R1 能作为推进从对象级预测向概念级理解的实用基线。
引用
@article{arxiv.2605.20385,
title = {ConceptSeg-R1: Segment Any Concept via Meta-Reinforcement Learning},
author = {Yuan Zhao and Youwei Pang and Jiaming Zuo and Wei Ji and Kailai Zhou and Bin Fan and Yunkang Cao and Lihe Zhang and Xiaofeng Liu and Huchuan Lu and Weisi Lin and Dacheng Tao and Xiaoqi Zhao},
journal= {arXiv preprint arXiv:2605.20385},
year = {2026}
}