基于深度完整性先验与细粒度分块策略的高精度二分图像分割
计算机视觉与模式识别
2026-04-29 v5
摘要
高精度二分图像分割（DIS）是一项从高分辨率图像中提取细粒度对象的任务。现有方法以效率换取精度：非扩散方法速度快，但存在语义弱和空间先验不稳定的问题，导致误检；基于扩散的方法通过强生成先验提供高精度，但计算成本高昂。在深度图中，一个完整的对象表现为一个低方差区域，内部平滑且边界锐利，而背景由于不同深度处断开的表面而呈现出混乱的高方差模式。我们将此称为深度完整性先验。受此启发，并注意到DIS目前缺乏深度图，我们利用来自单目深度估计模型的伪深度信息来获取必要的语义理解，从而快速揭示目标对象与背景之间的空间差异。为了利用这一先验，我们提出了先验引导深度融合网络（PDFNet），该网络融合RGB和伪深度特征以进行深度感知结构感知。我们进一步引入了一种新颖的深度完整性先验损失以强制分割中的深度一致性，并引入了具有自适应分块选择的细粒度增强模块以锐化边界。值得注意的是，使用DAM-v2的PDFNet以不到基于扩散方法一半的参数量实现了SOTA（在DIS-VD上Fmax为0.915，在DIS-TE上为0.915）。我们的代码可在 https://tennine2077.github.io/PDFNet.github.io/ 获取。
引用
@article{arxiv.2503.06100,
title = {High-Precision Dichotomous Image Segmentation via Depth Integrity-Prior and Fine-Grained Patch Strategy},
author = {Xianjie Liu and Keren Fu and Qijun Zhao},
journal= {arXiv preprint arXiv:2503.06100},
year = {2026}
}