面向非模态实例分割的遮挡几何引导注入可学习形状原型

非模态实例分割旨在预测完整的物体掩码，包括缺乏像素级观测且必须借助形状先验推断的遮挡区域。现有方法通过固定容量的编码空间或昂贵的生成模型获取形状先验，并将其均匀注入所有空间位置，而未适应可见区域与遮挡区域之间不同的先验需求。在本文中，我们提出了一种门控可靠性自适应形状先验框架，该框架引入了一个形状先验记忆模块，通过交叉注意力组合可学习的原型，以加权原型组合而非生成的方式产生实例自适应的形状先验。然后，一个空间自适应可靠性门利用可见掩码的有符号距离场，根据每个位置的遮挡深度来调制注入强度，在保留可见区域可靠特征的同时，将形状补偿导向遮挡区域。在两个主流非模态实例分割基准上的实验表明，所提出的方法在多种评估设置下均优于现有方法，在标准设置下，其中一个基准的遮挡区域平均交并比提升了超过 11 个百分点，而总参数量仅约为三分之一。线性探测分析进一步揭示，可见掩码交叉注意力模块隐式地将遮挡几何编码到视觉 token 表示中，从而解释了所提出模块分解的有效性。