ProMerge：用于无监督实例分割的提示与合并

无监督实例分割旨在不依赖人工标注数据的情况下，分割图像中不同的对象实例。该领域近期取得了显著进展，部分归功于自监督模型（如 DINO）丰富的视觉特征表示所提供的强局部对应关系。近期最先进的方法利用自监督特征将图像表示为图，并求解广义特征值系统（即归一化割，normalized-cut）以生成前景掩码。虽然有效，但该策略受限于随之而来的计算需求，导致推理速度缓慢。在本文中，我们提出了提示与合并（ProMerge），该方法利用自监督视觉特征获取图块的初始分组，并在复杂的基于背景的掩码修剪技术辅助下，对这些分割块应用战略性合并。ProMerge 不仅产生了具有竞争力的结果，而且与最先进的基于归一化割的方法相比，推理时间大幅减少。此外，当使用我们的掩码预测作为伪标签训练目标检测器时，所得到的检测器在各种具有挑战性的实例分割基准上超越了当前领先的监督无关模型。