提出基于正负视觉示例的概念感知分割方法
原文：CASE: Concept-Aware Segmentation from Positive and Negative Visual Exemplars
少样本语义分割通常基于单一语义类别的正支持示例来识别目标对象。然而在实践中，仅靠正线索往往不够明确：例如，“红色汽车”可能与所有颜色的汽车混淆，“车辆”可能包含应被排除的汽车，而“由材料定义的对象”可能跨越多个类别。满足精确请求需要正示例提供包含证据，负示例作为意图定义约束用于排除和消歧。我们将此设定形式化为指定视觉提示分割（SVPS），其中目标概念由正负视觉提示共同指定。在本工作中，视觉示例指由边界框提示指定的支持图像区域。为研究SVPS，我们引入CASE（基于正负视觉示例的概念感知分割），一个建立在COCO和PACO上的基准。CASE涵盖六个类别级和属性级任务族：排除、隔离、并集、属性排除、属性隔离和属性并集。我们在该设定下评估SAM 3，发现尽管其具有强大的纯正少样本分割能力，冻结的SAM 3并不能一致地将负视觉提示视为排除证据。为此，我们提出概念提示适配（CPA），一种保守的基于LoRA的适配基线，在CASE上改善正负提示解释，同时在纯正少样本分割下保持竞争力。代码见 https://github.com/WongKinYiu/FSS-CASE。作者：Yi-Jen Tsai, Yen-Yu Lin, Chien-Yao Wang 类别：cs.CV