SegAssess：面向鲁棒且可迁移的无监督分割评估的全景质量映射
计算机视觉与模式识别
2026-01-06 v2
摘要
高质量图像分割是遥感中像素级地理空间分析的基础，因此需要稳健的分割质量评估（SQA），尤其是在缺乏真实标签的无监督环境下。尽管近期基于深度学习的无监督 SQA 方法展现出潜力，但它们通常存在评估粒度粗糙、评估不完整和可迁移性差的问题。为克服这些局限，本文引入全景质量映射（PQM）作为一种全面的像素级 SQA 新范式，并提出了 SegAssess，一个实现该方法的全新深度学习框架。SegAssess 独特地将 SQA 定义为一个细粒度的四类全景分割任务，将待评估分割掩膜内的像素分类为真阳性（TP）、假阳性（FP）、真阴性（TN）和假阴性（FN）类别，从而生成完整的质量图。利用增强的 Segment Anything Model（SAM）架构，SegAssess 创新性地将输入掩膜作为提示，通过交叉注意力实现有效的特征集成。关键创新包括一个带有聚合语义滤波器（ASF）模块的边缘引导压缩（EGC）分支，用于细化具有挑战性的物体边缘附近的预测，以及一种增强混合采样（AMS）训练策略，该策略集成了多源掩膜，以显著提升跨域鲁棒性和零样本可迁移性。综合实验表明，SegAssess 达到了最先进（SOTA）的性能，并对未见过的掩膜展现出卓越的零样本可迁移性。代码可在 https://github.com/Yangbn97/SegAssess 获取。
引用
@article{arxiv.2509.01183,
title = {SegAssess: Panoramic quality mapping for robust and transferable unsupervised segmentation assessment},
author = {Bingnan Yang and Mi Zhang and Zhili Zhang and Zhan Zhang and Yuanxin Zhao and Xiangyun Hu and Jianya Gong},
journal= {arXiv preprint arXiv:2509.01183},
year = {2026}
}