面向实例分割的照明感知统一模型
计算机视觉与模式识别
2026-05-21 v1
摘要
基础模型如 Segment Anything Model (SAM) 在零样例推理方面表现出色，但在多样化的真实照明条件下经常退化，尤其是对于实例分割。本文通过开发 \textit{Lighting Convolutional-Attention (\lca{})} 来解决这一局限性，后者是一个增强分割鲁棒性而无需对重型主干网络进行微调的适配器模块。\lca{} 采用双分支架构处理 RGB 特征和对比度图，从而实现对结构性变化的物理动力学敏感性，而非受照明artifact的影响。我们通过对清晰图像及其相应照明变体之间的差异进行显式惩罚，引入针对性损失项来优化 \lca{}，并采用成对训练策略。为评估和支持该架构，我们进行了跨多个现有基准的全面实证研究，并提出了一个新型基于 Unity 的合成数据集，专为准确复制复杂真实照明条件而设计。广泛的实验结果表明，我们的方法成功地弥合了领域差距，提供了优越的鲁棒分割性能。
引用
@article{arxiv.2605.20436,
title = {Lighting-aware Unified Model for Instance Segmentation},
author = {Qisai Liu and Alloy Das and Zhanhong Jiang and Joshua R. Waite and Aditya Balu and Adarsh Krishnamurthy and Soumik Sarkar},
journal= {arXiv preprint arXiv:2605.20436},
year = {2026}
}