从像素到掩码：分布外分割综述
计算机视觉与模式识别
2025-08-15 v1
摘要
随着对AI安全性的关注日益增加，分布外（OoD）检测与分割吸引了越来越多的关注。传统的OoD检测方法识别OoD对象的存在，但缺乏空间定位能力，限制了它们在下游任务中的实用性。OoD分割通过在像素级粒度上定位异常对象来解决这一局限性。这种能力对于安全关键应用（如自动驾驶）至关重要，因为感知模块不仅必须检测，还必须精确分割OoD对象，从而支持有针对性的控制动作并增强整体系统鲁棒性。在本综述中，我们将当前的OoD分割方法分为四类：(i) 测试时OoD分割，(ii) 用于监督训练的离群点暴露，(iii) 基于重建的方法，(iv) 以及利用强大模型的方法。我们系统回顾了自动驾驶场景下OoD分割的最新进展，识别了新出现的挑战，并讨论了有前景的未来研究方向。
引用
@article{arxiv.2508.10309,
title = {From Pixel to Mask: A Survey of Out-of-Distribution Segmentation},
author = {Wenjie Zhao and Jia Li and Yunhui Guo},
journal= {arXiv preprint arXiv:2508.10309},
year = {2025}
}