语言引导的开放世界异常分割
计算机视觉与模式识别
2025-12-02 v1
摘要
开放世界和异常分割方法旨在使自动驾驶系统能够检测和分割实际场景中的已知和未知对象。然而，现有方法未为未知区域分配语义上有意义的标签，区分和学习未知类的表示仍然困难。虽然开放词汇分割方法在泛化到新类方面显示出前景，但需要固定的推理词汇，无法直接应用于异常分割，因为未知类是不可约束的。我们提出Clipomaly，首个基于CLIP的开放世界异常分割方法，用于自动驾驶。我们的零样本方法无需异常特定训练数据，利用CLIP的共享图像-文本嵌入空间同时分割未知对象并分配人类可解释名称。不同于开放词汇方法，我们的模型在推理时动态扩展其词汇而无需重新训练，实现对Cityscapes等常见类别之外异常的稳健检测和命名。Clipomaly在 established 异常分割基准上实现了最先进的性能，同时提供了对实际部署必需的可解释性和灵活性。
引用
@article{arxiv.2512.01427,
title = {Language-Guided Open-World Anomaly Segmentation},
author = {Klara Reichard and Nikolas Brasch and Nassir Navab and Federico Tombari},
journal= {arXiv preprint arXiv:2512.01427},
year = {2025}
}