OoDDINO：复杂道路场景异常分割的多层框架

异常分割旨在识别图像中超出分布（Out-of-Distribution, OoD）异常对象。现有的像素级方法通常逐个赋值异常得分，并采用全局阈值策略进行异常分割。尽管这些方法有效，但在实际应用中仍面临显著挑战：（1）忽略同一对象内像素之间的空间关联，导致分割碎片化；（2）异常得分分布在图像区域之间具有变异性，导致全局阈值要么在背景区域生成误报，要么错过异常对象的分割。在本工作中，我们引入了OoDDINO，一个旨在通过粗到细异常检测策略来解决上述限制的新型多层异常分割框架。OoDDINO将不确定性引导的异常检测模型与像素级分割模型结合于一个两级级联架构中。首先，我们提出了正交不确定性感知融合策略（OUAFS），依次整合多个不确定性指标与视觉表示，采用正交约束来强化检测模型对准确局部化异常区域的能力。随后，我们开发了自适应双阈值网络（ADT-Net），该网络基于对象级检测输出和像素级异常得分动态生成区域特定阈值。该方法允许前景和背景区域采用不同的阈值策略，从而实现精细的异常分割。该框架与其他像素级异常检测模型兼容，充当一种即插即用的性能提升手段。在两个基准数据集上的大量实验表明，我们的框架在性能和兼容性方面优于最先进的方法。