迈向PerSense++：推进密集图像中的免训练个性化实例分割
计算机视觉与模式识别
2025-08-21 v1
摘要
密集视觉场景中的分割由于遮挡、背景杂乱和尺度变化而面临重大挑战。为解决此问题，我们引入了PerSense，这是一个端到端、免训练、模型无关的单样本框架，用于密集图像中的个性化实例分割。PerSense采用新颖的实例检测模块（IDM），利用密度图（DM）生成实例级候选点提示，随后由点提示选择模块（PPSM）通过自适应阈值和空间门控过滤误报。反馈机制通过自动选择有效样本以改善DM质量，进一步增强分割效果。我们还提出了PerSense++，这是一个增强版本，包含三个额外组件以提高在杂乱场景中的鲁棒性：（i）多样性感知的样本选择策略，利用特征和尺度多样性以生成更好的DM；（ii）混合IDM，结合基于轮廓和基于峰值的提示生成，以改善复杂密度模式下的实例分离；（iii）无关掩码拒绝模块（IMRM），利用离群分析丢弃空间不一致的掩码。最后，为支持这一尚未充分探索的任务，我们引入了PerSense-D，一个用于密集图像个性化分割的专用基准。跨多个基准的大量实验表明，PerSense++在密集场景中优于现有方法。
引用
@article{arxiv.2508.14660,
title = {Towards PerSense++: Advancing Training-Free Personalized Instance Segmentation in Dense Images},
author = {Muhammad Ibraheem Siddiqui and Muhammad Umer Sheikh and Hassan Abid and Kevin Henry and Muhammad Haris Khan},
journal= {arXiv preprint arXiv:2508.14660},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2405.13518