统一视角：基于视图一致性的原型学习用于少样本分割
计算机视觉与模式识别
2026-03-09 v1
摘要
少样本分割 (FSS) 因其能够以有限监督泛化到新类的能力而受到广泛关注，但在面对大幅外观或视角变化时仍面临结构错位和跨视角不一致性的挑战。本文通过引入 VINE (View-Informed NEtwork)，一个统一框架来联合建模结构一致性和前景判别，以细化类别特定的原型来解决这些挑战。具体而言，VINE 在骨干网络特征上引入空间视图图，其中空间图捕获局部几何拓扑，视图图连接来自不同视角的特征以传递视角不变的结构语义。为进一步缓解前景模糊问题，我们从支持查询特征间的差异中推导出判别性先验，以捕获类别特定的对比，这重新加权 SAM 特征以强调显著区域并校准骨干网络激活以实现更好的结构聚焦。通过掩码交叉注意力，逐步整合增强的 SAM 特征和结构丰富的 ResNet 特征，生成用于自适应提示的类别一致原型，以供 SAM 解码器生成准确的掩码。多个 FSS 基准上的大量实验验证了 VINE 的有效性和鲁棒性，尤其是在视角位移和复杂结构的具有挑战性场景中。代码可在 https://github.com/HongliLiu1/VINE-main 获取。
引用
@article{arxiv.2603.05952,
title = {Unify the Views: View-Consistent Prototype Learning for Few-Shot Segmentation},
author = {Hongli Liu and Yu Wang and Shengjie Zhao},
journal= {arXiv preprint arXiv:2603.05952},
year = {2026}
}
备注
Accepted by CVPR Findings 2026