虚构图像，真实增益：泛化少样本语义分割中的生成式增强
计算机视觉与模式识别
2026-03-31 v1
摘要
泛化少样本语义分割（GFSS）从根本上受限于稀缺标注下新类别外观的覆盖范围。虽然扩散模型可以大规模合成新类别图像，但实际增益常因覆盖不足和伪标签噪声而受阻，尤其是在掩码不可用或不可靠时。我们提出Syn4Seg，一个生成式增强的GFSS框架，旨在扩展新类别覆盖范围并提升伪标签质量。Syn4Seg首先通过为每个新类别构建嵌入去重提示库来最大化提示空间覆盖，生成多样且类别一致的合成图像。然后通过两阶段细化进行支持引导的伪标签估计：i）过滤低一致性区域以获取高精度种子，ii）使用结合全局（支持）统计和局部（图像）统计的图像自适应原型重新标记不确定像素。最后，我们仅使用受约束的SAM更新来细化边界带和未标记像素，在不覆盖高置信度区域的前提下提升轮廓保真度。在PASCAL-5^i和COCO-20^i上的广泛实验证明了1-shot和5-shot设置下的一致改进，突显了合成数据作为GFSS可扩展路径的潜力。
引用
@article{arxiv.2603.27206,
title = {Make It Up: Fake Images, Real Gains in Generalized Few-shot Semantic Segmentation},
author = {Guohuan Xie and Xin He and Dingying Fan and Le Zhang and Ming-Ming Cheng and Yun Liu},
journal= {arXiv preprint arXiv:2603.27206},
year = {2026}
}