TRACE：你的扩散模型暗中就是一个实例边缘检测器
计算机视觉与模式识别
2026-02-26 v4
摘要
高质量的实例与全景分割传统上依赖于密集的实例级标注（如掩码、边界框或点），这些标注成本高昂、不一致且难以规模化。无监督和弱监督方法减轻了这一负担，但仍然受到语义骨干网络约束和人类偏见的限制，经常产生合并或破碎的输出。我们提出了 TRACE（将扩散线索转换为实例边缘，TRAnsforming diffusion Cues to instance Edges），表明文本到图像扩散模型暗中充当了实例边缘标注器。TRACE 识别出自注意力图中对象边界首次出现的实例涌现点 (Instance Emergence Point, IEP)，通过注意力边界散度 (Attention Boundary Divergence, ABDiv) 提取边界，并将其蒸馏为轻量级的单步边缘解码器。该设计消除了对每张图像进行扩散反演的需要，实现了 81 倍的推理加速，同时产生更清晰、更连通的边界。在 COCO 基准上，TRACE 将无监督实例分割提升了 +5.1 AP，在标签监督全景分割中，在不使用任何实例级标签的情况下，比点监督基线高出 +1.7 PQ。这些结果揭示，扩散模型编码了隐藏的实例边界先验，解码这些信号为昂贵的手工标注提供了一种实用且可扩展的替代方案。项目页面：https://shjo-april.github.io/TRACE/
引用
@article{arxiv.2503.07982,
title = {TRACE: Your Diffusion Model is Secretly an Instance Edge Detector},
author = {Sanghyun Jo and Ziseok Lee and Wooyeol Lee and Jonghyun Choi and Jaesik Park and Kyungsu Kim},
journal= {arXiv preprint arXiv:2503.07982},
year = {2026}
}
备注
Accepted to ICLR 2026 (Oral)