UniQ：基于任务特定查询的统一解码器用于高效场景图生成

场景图生成是一种场景理解任务，旨在识别目标实体并推理它们在给定图像中的关系。与基于大型目标检测器（例如 Faster R-CNN）的流行两阶段方法相比，一阶段方法集成了一组固定大小的可学习查询，以联合推理关系三元组 <主体，谓词，客体>。这种范式以显著减少的参数和计算开销展现了稳健的性能。然而，一阶段方法的挑战源于弱纠缠问题，其中涉及关系的实体既需要三元组内共享的耦合特征，又需要解耦的视觉特征。以前的方法要么采用单个解码器进行耦合三元组特征建模，要么采用多个解码器进行单独的视觉特征提取，但未能兼顾两者。在本文中，我们引入了 UniQ，一种具有任务特定查询架构的统一解码器，其中任务特定查询分别为主体、客体和谓词生成解耦的视觉特征，而统一解码器则实现了关系三元组内的耦合特征建模。在 Visual Genome 数据集上的实验结果表明，UniQ 的性能优于一阶段和两阶段方法。