自然场景中的整体顺序预测

即使在受控环境中，理解实例级几何结构也是众多视觉模型面临的挑战。尽管存在专门系统，但现代艺术作品依赖昂贵的输入格式（类别标签、二值分割掩码）以及高昂的推理成本（需进行二次方数量的前向传播）。我们通过提出InstaFormer，一种能够进行整体顺序预测的网络，来缓解这些限制。即仅给定输入RGB图像，InstaFormer即可在单次前向传播中返回场景中所有实例的完整遮挡和深度排序。核心上，InstaFormer依赖对象查询与潜在掩码描述符之间的相互作用，这些描述符在语义上代表相同对象，同时携带互补信息。我们全面基准测试和消融分析，以突出其有效性。我们的代码和模型已开源，可在本URL获取：https://github.com/SNU-VGILab/InstaOrder。