看透之处：可外推的域适应全景分割
计算机视觉与模式识别
2026-03-17 v1 机器学习
机器人学
图像与视频处理
摘要
跨域全景语义分割正逐渐受到关注，因为它能够实现对真实世界应用的全方位 360{\deg} 场景理解。然而，由于严重的几何视场偏角 (FoV) 扭曲以及跨域中不一致的开放集合语义，仍面临 particular 挑战。在本工作中，我们提出了开放集合域适应设置，并构思了可外推的域适应全景分割 (EDA-PSeg) 框架，该框架在局部视角视图上训练，在完整 360{\deg} 全景图像上测试，显式地解决跨域几何 FoV 偏移以及由先前未见类别引起的语义不确定性问题。为此，我们提出了欧拉边际注意力 (EMA)，通过引入角度边际来增强视点不变性语义表征，同时进行振幅和相位调制，以提高对未见类别的泛化能力。此外，我们设计了图匹配适配器 (GMA)，构建高阶图关系，以对齐跨 FoV 偏移的共享语义，同时通过结构适应有效地分离新类别。大量实验在四个基准数据集上进行，涵盖摄像机位移、天气条件以及开放集合情景，结果表明 EDA-PSeg 达到了最先进的性能，能够对 diverse viewing geometry 实现稳健的泛化，并在变化的环境条件下保持鲁棒性。代码已公开于 https://github.com/zyfone/EDA-PSeg。
引用
@article{arxiv.2603.15475,
title = {Seeing Beyond: Extrapolative Domain Adaptive Panoramic Segmentation},
author = {Yuanfan Zheng and Kunyu Peng and Xu Zheng and Kailun Yang},
journal= {arXiv preprint arXiv:2603.15475},
year = {2026}
}
备注
Accepted to CVPR 2026. The code is available at https://github.com/zyfone/EDA-PSeg