UnGAP：基于不确定性引导的仿射提示用于实时裂缝分割
计算机视觉与模式识别
2026-05-05 v1
摘要
实时裂缝分割对于结构健康监测至关重要，但因光照、模糊和纹理歧义等导致散布不确定性。当前的不确定性感知方法通常将不确定性估计视为被动的终端输出，未能通过反馈此信息来细化特征表示。我们认为，独立的像素级异质性建模尤为适合裂缝分割，因为裂缝由细粒度局部梯度定义，而非依赖于一般目标分割中全局语义一致性。然而，这种方法存在结构优化病态：高预测方差会削弱损失梯度，导致模型忽视困难样本并低估复杂边界。为此，我们提出了 UnGAP（Uncertainty-Guided Affine Prompting），一个新框架，建立不确定性估计与特征学习之间的闭环机制。我们方法的核心是不确定性提示特征调制器（UPFM），该调制器将散布不确定性视为主动的视觉提示而非仅作为输出。UPFM 通过像素级仿射变换动态校准特征分布。关键在于，此机制通过将本应表明梯度抑制的高方差转化为更强特征校正的建设性信号，从而缓解异质性病态。此外，引入了边界感知检测头，以进一步约束预测精度。广泛的实验表明，UnGAP 在实现卓越分割精度的同时，保持实时推理速度，有效验证了将不确定性从被动指标转化为主动校准工具的好处。
引用
@article{arxiv.2605.02380,
title = {UnGAP: Uncertainty-Guided Affine Prompting for Real-Time Crack Segmentation},
author = {Conghui Li and Huanyu He and Xin Wang and Weiyao Lin and Chern Hong Lim},
journal= {arXiv preprint arXiv:2605.02380},
year = {2026}
}