SupLID：基于几何引导的语义分割类外分布检测

语义分割中的类外分布 (out-of-distribution, OOD) 检测旨在像素级别定位异常区域，超越传统图像级别 OOD 技术，更适用于自动驾驶等实际应用。近期文献成功探索了将常用图像级别 OOD 方法——主要基于分类器派生置信度得分（如能量或熵）——适用于该像素精确定位任务。然而，这些方法继承了一系列局限，包括对过度自信的脆弱性。本文引入 SupLID，一种新型框架，通过利用底层语义空间的几何结构（特别是线性内在维数 (Linear Intrinsic Dimensionality, LID)）有效引导分类器派生的 OOD 得分。虽然 LID 通过分析距离分布有效刻画高维数据的局部结构，但其在像素级别直接应用仍具挑战。为克服这一难题，SupLID 构建几何核心集，捕获 ID 子空间的内在结构。随后在超像素级别计算 OOD 得分，实现高效的实时推理和改进的空间平滑。我们展示，SupLID 派生的几何线索作为传统分类器置信度的补充信号，增强了模型检测多样化 OOD 场景的能力。作为后处理评分方法，SupLID 可无缝集成到任何语义分割分类器部署时。我们的结果表明，SupLID 在关键评估指标（包括 AUR、FPR 和 AUP）上显著提升了现有分类器置信度，实现了最先进的性能。代码已公开于 https://github.com/hdnugit/SupLID。