ReferDINO-Plus：面向 CVPR 2025 第四届 PVUW MeViS 挑战的第二解

指涉视频对象分割（RVOS）旨在基于文本描述对视频中的目标对象进行分割。由于其在视频编辑和人机交互方面的广泛应用前景，该任务正受到计算机视觉领域的日益关注。最近，ReferDINO 通过适应来自预训练基础图像模型的面向对象的视觉语言知识，展示了在该任务中取得的有前景的性能。在本报告中，我们进一步增强了其能力，融合了 SAM2 在掩码质量和对象一致性方面的优势。此外，为有效平衡单对象和多对象情景下的性能，我们引入一种条件掩码融合策略，以适应性地融合 ReferDINO 和 SAM2 的掩码。我们的解决方案称为 ReferDINO-Plus，在 MeViS 测试集上取得 60.43 $\mathcal{J}\&\mathcal{F}$ 的成绩，位列 CVPR 2025 MeViS PVUW 挑战第二名。代码已公开：https://github.com/iSEE-Laboratory/ReferDINO-Plus。