PerSense：密集图像中无需训练的个性化实例分割

基础模型的出现显著推进了分割方法。然而，在密集场景中仍然存在挑战，其中遮挡、尺度变化和杂乱阻碍了精确的实例描绘。为了解决这个问题，我们提出了PerSense，一种端到端、无需训练、模型无关的一次性框架，用于密集图像中的个性化实例分割。我们首先开发了一个新的基线，能够通过提出新颖的实例检测模块（IDM）自动生成实例级点提示，该模块利用密度图（DM）来封装图像中物体的空间分布。为了减少假阳性，我们设计了点提示选择模块（PPSM），该模块基于自适应阈值和空间门控来细化IDM的输出。IDM和PPSM都无缝集成到我们的模型无关框架中。此外，我们引入了一种反馈机制，使PerSense能够通过自动化DM生成的示例选择过程来提高DM的准确性。最后，为了推动这一相对未充分探索领域的研究，我们引入了PerSense-D，一个用于密集图像实例分割的评估基准。我们的大量实验证明了PerSense在密集场景中优于最先进方法。