選自 arXiv

：Ting Chen 等

機(jī)器之心編譯

感謝：趙陽

感謝得創(chuàng)新點(diǎn)一方面在于能夠在大型全景掩碼上訓(xùn)練擴(kuò)散模型，一方面在于可以同時(shí)適配支持和流場景。

全景分割是一項(xiàng)基本得視覺任務(wù)，該任務(wù)旨在為圖像得每個(gè)像素指定語義標(biāo)簽和實(shí)例標(biāo)簽。語義標(biāo)簽描述每個(gè)像素得類別（例如天空、豎直物體等），實(shí)例標(biāo)簽為圖像中得每個(gè)實(shí)例提供唯一得 （以區(qū)分同一類別得不同實(shí)例）。該任務(wù)結(jié)合了語義分割和實(shí)例分割，提供了關(guān)于場景得豐富語義信息。

雖然語義標(biāo)簽得類別是先驗(yàn)固定得，但分配給圖像中對(duì)象得實(shí)例 是可以互相交換同時(shí)不影響識(shí)別得。例如，交換兩輛車得實(shí)例 不會(huì)影響結(jié)果。因此，經(jīng)過訓(xùn)練以預(yù)測實(shí)例 得神經(jīng)網(wǎng)絡(luò)應(yīng)該能夠?qū)W習(xí)從單個(gè)圖像到多個(gè)實(shí)例 分配得一對(duì)多映射。一對(duì)多映射得學(xué)習(xí)具有挑戰(zhàn)性，傳統(tǒng)方法通常利用多個(gè)階段得管道，包括對(duì)象檢測、分割、合并多個(gè)預(yù)測 。最近，基于可微二分圖匹配，一些學(xué)者提出了端到端方法，能夠有效地將一對(duì)多映射轉(zhuǎn)換為基于識(shí)別匹配得一對(duì)一映射。然而，這些方法仍然需要定制得架構(gòu)和專門得損失函數(shù)，以及用于全景分割任務(wù)得內(nèi)置歸納偏置。

最近得通用視覺模型，例如 Pix2Seq、OFA、UViM 和 Unified I/O，提倡通用得、不限制任務(wù)得框架來實(shí)現(xiàn)泛化任務(wù)，同時(shí)還能比以前得模型簡單得多。例如，Pix2Seq 根據(jù)圖像生成一系列具有語義意義得序列，來完成一些核心得視覺任務(wù)，并且這些模型基于 Transformers 來訓(xùn)練自回歸模型。

在一篇新得論文中，谷歌大腦得 Ting Chen、Geoffrey Hinton 等研究者遵循相同得理念， 從條件離散數(shù)據(jù)生成得角度理解全景分割任務(wù)問題。

論文鏈接 arxiv.org/pdf/2210.06366.pdf

如圖 1 所示，研究者為全景掩碼設(shè)計(jì)了一個(gè)生成模型，并為輸入到模型得每一張支持都生成一組離散 token。使用者只需將過去幀得預(yù)測作為附加條件信號(hào)，就可以將此模型應(yīng)用于視頻數(shù)據(jù)（在線數(shù)據(jù) / 流）。這樣一來，模型就可以自動(dòng)地學(xué)習(xí)跟蹤和分割對(duì)象。

全景分割得生成式建模非常具有挑戰(zhàn)性，因?yàn)槿把诖a是離散得，或者說是有類別得，并且模型可能非常大。例如，要生成 512×1024 得全景掩碼，模型必須生成超過 1M 得離散標(biāo)記（語義標(biāo)簽和實(shí)例標(biāo)簽）。這對(duì)于自回歸模型來說開銷還是比較昂貴得，因?yàn)?token 本質(zhì)上是順序得，很難隨著輸入數(shù)據(jù)得規(guī)模變化而變化。擴(kuò)散模型更擅長處理高維數(shù)據(jù)，但它們最常應(yīng)用于連續(xù)域而不是離散域。通過用模擬位表示離散數(shù)據(jù)，感謝表明可以直接在大型全景掩碼上訓(xùn)練擴(kuò)散模型，而無需學(xué)習(xí)潛在空間。

通過廣泛得實(shí)驗(yàn)，研究者們證明了他們得通用法可以在類似環(huán)境中與最先進(jìn)得可能方法一較高下。

模型架構(gòu)

擴(kuò)散模型采樣是迭代進(jìn)行得，因此在推理過程中必須多次運(yùn)行網(wǎng)絡(luò)得前向傳播。因此，如圖 2 所示，研究者有意將網(wǎng)絡(luò)分成兩個(gè)組件：1）圖像編碼器；2) 掩碼解碼器。前者將原始像素?cái)?shù)據(jù)映射到高級(jí)表示向量，然后掩碼解碼器迭代地讀出全景掩碼。

像素 / 圖像編碼器

編碼器是將原始圖像

映射到

中得特征圖得網(wǎng)絡(luò)，其中 H’和 w’是全景遮罩得高度和寬度。全景遮罩可以與原始圖像得大小相同或小一點(diǎn)。在這項(xiàng)工作中，研究者們使用 ResNet 作為骨干網(wǎng)絡(luò)，然后使用 Transformer 得編碼器層作為特征提取器。為了確保輸出得特征圖具有足夠得分辨率，并包含不同尺度得特征，受 U-Net 和特征金字塔網(wǎng)絡(luò)得啟發(fā)，研究者使用具有雙邊連接和上采樣操作得卷積從不同得分辨率來合并特征。雖然可以使用更復(fù)雜得編碼器，這樣可以使用一些架構(gòu)設(shè)計(jì)方面得最新進(jìn)展，但這不是網(wǎng)絡(luò)模型得主要點(diǎn)，所以研究者只是使用較為簡單得特征提取器來說明其在模型中得作用。

掩碼解碼器

解碼器在模型推理過程中基于圖像特征，迭代地細(xì)化全景掩碼。具體來說，研究者使用得掩碼解碼器是 TransUNet。該網(wǎng)絡(luò)將來自編碼器得圖像特征圖和噪聲掩碼（隨機(jī)初始化或迭代地來自編碼過程）得連接作為輸入，并輸出對(duì)掩碼得精確預(yù)測。解碼器與用于圖像生成和圖像到圖像轉(zhuǎn)換得標(biāo)準(zhǔn) U-Net 架構(gòu)之間得一個(gè)區(qū)別是，在上采樣之前，感謝使用得 U-Net 頂部使用了帶有交叉注意力層得 transformer 解碼器層來合并編碼得圖像特征。

在視頻模態(tài)下得應(yīng)用

研究者將圖像條件下得全景遮罩建模為：p(m|x)。基于給定視頻得三維掩碼（有一個(gè)額外得時(shí)間維度），感謝得模型就可以直接適用于視頻全景分割。為了適應(yīng)在線 / 流得視頻設(shè)置，可以改用 p(m_t|x_t,m_(t-1),m_(t-k))建模，從而基于當(dāng)前得圖像和上一時(shí)刻得掩碼生成新得全景掩碼。如圖 5 所示，這一變化可以通過將過去得全景掩碼 (m_(t-1),m_(t-k)) 與現(xiàn)有得噪聲掩碼連接起來來實(shí)現(xiàn)。除了這個(gè)微小得變化之外，其他方面都與視頻基礎(chǔ)模型（p(m|x)）相同。這個(gè)模型很簡單，對(duì)圖像全景模型進(jìn)行微調(diào)就可以應(yīng)用到視頻場景里。

實(shí)驗(yàn)結(jié)果

感謝與兩個(gè)系列得最先進(jìn)得方法進(jìn)行了比較，即可能方法和通用方法。表 1 總結(jié)了在 MS-COCO 數(shù)據(jù)集上得結(jié)果。Pix2Seq-D 在基于 ResNet-50 得主干上得泛化質(zhì)量（PQ）與最先進(jìn)得方法相比有一定得競爭力。與最近得其他通用模型如 UViM 相比，感謝得模型表現(xiàn)明顯更好，同時(shí)效率更高。

表 2 將 Pix2Seq-D 與無監(jiān)督視頻物體分割最先進(jìn)得方法在 DAVIS 數(shù)據(jù)集上進(jìn)行了比較，指標(biāo)使用得是標(biāo)準(zhǔn)得 J&F。值得注意得是基線不包括其他通用模型，因?yàn)樗鼈儾荒苤苯舆m用于該任務(wù)。感謝得方法在沒有專門設(shè)計(jì)得情況下取得了與最先進(jìn)得方法相同得結(jié)果。

圖 8、9 和 10 顯示了 Pix2Seq-D 在 MS-COCO、Cityscape 和 DAVIS 上得示例結(jié)果。