SLICK：用于汽车保险中知识增强型车辆损伤分割的选择性定位与实例校准
计算机视觉与模式识别
2025-06-13 v1
摘要
我们提出了SLICK，一个新颖的精确且鲁棒的车辆损伤分割框架，利用结构先验和领域知识来应对现实世界的汽车检测挑战。SLICK引入了五个关键组件：（1）选择性部件分割，使用由结构先验引导的高分辨率语义主干网络，即使在遮挡、变形或漆面脱落的情况下也能实现车辆部件分割的外科手术级精度；（2）定位感知注意力模块，动态聚焦于损伤区域，增强在杂乱和复杂街景中的细粒度损伤检测；（3）实例敏感细化头，利用全景线索和形状先验来分离重叠或相邻部件，实现精确的边界对齐；（4）跨通道校准，通过多尺度通道注意力放大细微损伤信号（如划痕和凹痕），同时抑制噪声（如反射和贴花）；（5）知识融合模块，整合合成碰撞数据、部件几何形状和真实世界保险数据集，以提高泛化能力并有效处理罕见情况。在大型汽车数据集上的实验证明了SLICK在分割性能、鲁棒性以及保险和汽车检测工作流程中的实际适用性方面的优越性。
引用
@article{arxiv.2506.10528,
title = {SLICK: Selective Localization and Instance Calibration for Knowledge-Enhanced Car Damage Segmentation in Automotive Insurance},
author = {Teerapong Panboonyuen},
journal= {arXiv preprint arXiv:2506.10528},
year = {2025}
}
备注
10 pages