完全从自监督中学习精确分割
计算机视觉与模式识别
2026-03-02 v1
摘要
在没有任何人工标注的情况下精确分割对象仍然是计算机视觉的核心挑战之一。在这项工作中，我们引入了Selfment，一个完全自监督的框架，它直接从原始图像中分割前景对象，无需人工标签、预训练的分割模型或任何后处理。Selfment首先从自监督特征构建补丁级亲和力图，并应用NCut获得初始的粗略前景-背景分离。然后，我们引入了迭代补丁优化(IPO)，这是一种特征空间细化过程，通过迭代补丁聚类逐步强制空间一致性和语义一致性。随后，精炼的掩码被用作监督信号，通过对比和区域一致性目标训练一个轻量级分割头，使模型能够学习稳定且可迁移的对象表示。尽管其简单且完全无需人工监督，Selfment在多个基准测试中取得了新的最先进(SoTA)结果。在ECSSD（+4.0%）、HKUIS（+4.6%）和PASCAL-S（+5.7%）上，它在指标上比先前的无监督显著性检测方法取得了显著改进。此外，无需任何额外微调，Selfment在伪装目标检测任务上展现出卓越的零样本泛化能力（例如，在CHAMELEON上为0.910，在CAMO上为0.792），优于所有现有的无监督方法，甚至可与最先进的完全监督方法相媲美。
引用
@article{arxiv.2602.23759,
title = {Learning Accurate Segmentation Purely from Self-Supervision},
author = {Zuyao You and Zuxuan Wu and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:2602.23759},
year = {2026}
}