PANC：基于锚点增强标记图的先验感知归一化割裂
计算机视觉与模式识别
2026-04-10 v2 人工智能
摘要
基于自监督 ViT 块的无监督分段潜在巨大，但鲁棒性不足：多物体场景会干扰显著性线索，低语义图像削弱块相关性，两者均导致分块结果不稳定。为此，我们提出先验感知归一化割裂（PANC），一种无训练方法，数据高效地生成一致且可用户调控的分段结果。PANC 将归一化割裂算法扩展为通过连接标记先验块与前景/背景锚点，构建锚点增强广义特征问题，引导低频分区指向目标类别，同时保持全局谱系结构。凭借先验感知的特征向量方向与阈值化处理，本方法可生成稳定的分块掩码。谱诊断表明，注入的先验扩大特征谱间隙，稳定分区，与我们的分析假设相符。PANC 在 DUTS-TE 上实现 +2.3% mIoU 提升，在 DUT-OMRON 上实现 +2.8% 提升，在低语义 CrackForest 数据集上实现 +8.7% 提升，均显著优于强大的无监督和弱监督基线方法。
引用
@article{arxiv.2602.06912,
title = {PANC: Prior-Aware Normalized Cut via Anchor-Augmented Token Graphs},
author = {Juan Gutiérrez and Victor Gutiérrez-García and José Luis Blanco-Murillo},
journal= {arXiv preprint arXiv:2602.06912},
year = {2026}
}