单点全掩码：基于速度引导的水平集演化用于端到端无遮挡分割

无遮挡分割旨在恢复完整的对象形状，包括视觉中不存在的被遮挡区域，而传统分割仅关注可见区域。现有方法通常依赖强提示，如可见掩码或边界框，在实际场景中成本高昂或不切实际。虽然最近的方法如Segment Anything Model(SAM)支持基于点的提示，但往往进行直接的掩码回归，未明确建模形状演化，限制了在复杂遮挡情景下的泛化能力。此外，大多数现有方法都存在黑箱化，缺乏几何可解释性，无法提供关于如何推断被遮挡形状的见解。为此，我们提出VELA——一种基于速度驱动的水平集无遮挡分割方法，通过点提示进行显式轮廓演化。VELA首先从图像特征和点输入构建初始水平集函数，然后在由全可微网络预测的形状特定运动场引导下，逐步演化为最终的无遮挡掩码。该网络学习在每一步生成演化动力学，实现几何导向且拓扑灵活的轮廓建模。在COCOA-cls、D2SA和KINS基准测试上进行的广泛实验表明，VELA在仅需单点提示的情况下，优于现有强提示方法，验证了在弱指导下进行可解释几何建模的有效性。代码将公开发布。