TraceNet：高效分割单个目标

高效的单实例分割对于 unlocking 移动影像应用中的特征（如捕获或编辑）至关重要。现有的即时移动影像应用因计算限制将分割任务范围限制在肖像或显著目标上。尽管实例分割近期发展趋势向高效网络发展，但由于在整个图像上识别所有实例的计算成本，仍显笨重。为此，我们提出并构建了一个由用户正向点击驱动的单实例分割任务，通过用户点击来分割单个选定实例。该任务不同于 Segment Anything Model \cite{sam} 所建议的分割一切任务，专注于对用户指定的单个实例进行高效分割。为解决此问题，我们提出了 TraceNet，通过 receptive field tracing 显式定位所选实例。TraceNet 识别与用户点击相关的图像区域，仅在选定区域上执行重计算。因此，在推理期间整体计算成本和内存消耗均得到降低。我们在 MS-COCO 和 LVIS 上评估了 TraceNet 在实例 IoU 平均值以及用户点击所落分数比例上的性能。实验结果表明，该方法在有效性和效率方面均表现出色。TraceNet 能够实现效率和交互性之间的协调，填补了高效移动推理需求与近期多模态和交互式分割模型研究趋势之间的鸿沟。