借助支持集：一种新的分割细化方法

分割细化旨在增强由分割算法生成的初始粗糙掩码。期望的分割结果能够捕捉更多细节并更好地呈现目标对象的轮廓。分割细化研究是为了满足高质量图像分割的需求而发展起来的。然而，我们意识到，目前尚无方法能够判断分割细化是否成功。这种方法如果能够确保在分割结果至关重要的应用中的可靠性，将为图像处理技术的创新提供支持。为此，我们提出了基于支持集的判断方法（Judging From Support-set, JFS），该方法利用即插即用型少样本分割（Few-shot Segmentation, FSS）模型来判断分割细化的成功与否。传统FSS的目标是利用支持集中提供的目标信息，在查询图像中找到目标对象。然而，我们提出了一种将FSS模型应用于评估管道中分割细化方法的新颖用途。给定一个粗糙掩码作为输入，分割细化方法会产生一个细化掩码，这两个掩码作为新的支持掩码供FSS模型使用。原有的支持掩码则作为测试集，用于评估分割细化方法生成的分割质量。我们通过在PASCAL数据集上使用SegGPT作为FSS模型的选择，对提出的JFS框架对SEPL（SAM Enhanced Pseudo-Labels）的有效性进行了评估。结果表明，JFS有潜力用于判断分割细化过程是否成功。