分步分解与双流聚焦：无需训练的伪装物体分割的新方法
计算机视觉与模式识别
2025-08-15 v3
摘要
虽然基于提示的分割（如 SAM）在 various 分割任务中显示出前景，但仍需为每个待分割物体提供手动视觉提示。相比之下，面向通用任务的基于提示的分割旨在通过仅使用通用提示来指导跨所有测试样本的分割，从而减少此类详细提示的需求。然而，在应用于伪装物体分割（COS）时，现有方法仍面临两个关键问题：1）获取实例特定文本提示时的语义歧义，源于整体描述中缺乏判别性线索，导致前景-背景混淆；2）获取实例特定视觉提示时的语义差异与空间分离，源于从距离物体边界较远的全局背景中进行采样且特征相关性低，导致 SAM 分割无关区域。为解决上述问题，本文提出了一种 novel 的 training-free test-time adaptation 框架 RDVP-MSD，将 Region-constrained Dual-stream Visual Prompting（RDVP）与 Multimodal Stepwise Decomposition Chain of Thought（MSD-CoT）相结合。MSD-CoT 通过逐步解缠图像描述消除语义歧义，而 RDVP 将空间约束注入视觉提示，并独立采样前景和背景点，有效缓解语义差异和空间分离。该方法无需任何训练或监督，在多个 COS 基准测试上实现了 state-of-the-art 分割结果，并比以往方法具有更快的推理速度，显示出显著提升的精度和效率。代码将在 https://github.com/ycyinchao/RDVP-MSD 提供。
引用
@article{arxiv.2506.06818,
title = {Stepwise Decomposition and Dual-stream Focus: A Novel Approach for Training-free Camouflaged Object Segmentation},
author = {Chao Yin and Hao Li and Kequan Yang and Jide Li and Pinpin Zhu and Xiaoqiang Li},
journal= {arXiv preprint arXiv:2506.06818},
year = {2025}
}
备注
accepted by ACM MM2025