本文的創(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)適配圖片和流媒體場(chǎng)景。

全景分割是一項(xiàng)基本的視覺(jué)任務(wù)，該任務(wù)旨在為圖像的每個(gè)像素指定語(yǔ)義標(biāo)簽和實(shí)例標(biāo)簽。語(yǔ)義標(biāo)簽描述每個(gè)像素的類別（例如天空、豎直物體等），實(shí)例標(biāo)簽為圖像中的每個(gè)實(shí)例提供唯一的 ID（以區(qū)分同一類別的不同實(shí)例）。該任務(wù)結(jié)合了語(yǔ)義分割和實(shí)例分割，提供了關(guān)于場(chǎng)景的豐富語(yǔ)義信息。

雖然語(yǔ)義標(biāo)簽的類別是先驗(yàn)固定的，但分配給圖像中對(duì)象的實(shí)例 ID 是可以互相交換同時(shí)不影響識(shí)別的。例如，交換兩輛車(chē)的實(shí)例 ID 不會(huì)影響結(jié)果。因此，經(jīng)過(guò)訓(xùn)練以預(yù)測(cè)實(shí)例 ID 的神經(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 ID 分配的一對(duì)多映射。一對(duì)多映射的學(xué)習(xí)具有挑戰(zhàn)性，傳統(tǒng)方法通常利用多個(gè)階段的管道，包括對(duì)象檢測(cè)、分割、合并多個(gè)預(yù)測(cè) 。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)別匹配的一對(duì)一映射。然而，這些方法仍然需要定制的架構(gòu)和專門(mén)的損失函數(shù)，以及用于全景分割任務(wù)的內(nèi)置歸納偏置。

最近的通用視覺(jué)模型，例如 Pix2Seq、OFA、UViM 和 Unified I/O，提倡通用的、不限制任務(wù)的框架來(lái)實(shí)現(xiàn)泛化任務(wù)，同時(shí)還能比以前的模型簡(jiǎn)單得多。例如，Pix2Seq 根據(jù)圖像生成一系列具有語(yǔ)義意義的序列，來(lái)完成一些核心的視覺(jué)任務(wù)，并且這些模型基于 Transformers 來(lái)訓(xùn)練自回歸模型。

在一篇新的論文中，谷歌大腦的 Ting Chen、Geoffrey Hinton 等研究者遵循相同的理念， 從條件離散數(shù)據(jù)生成的角度理解全景分割任務(wù)問(wèn)題。

論文鏈接 https://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，并為輸入到模型的每一張圖片都生成一組離散 token。使用者只需將過(guò)去幀的預(yù)測(cè)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) / 流媒體）。這樣一來(lái)，模型就可以自動(dòng)地學(xué)習(xí)跟蹤和分割對(duì)象。

全景分割的生成式建模非常具有挑戰(zhàn)性，因?yàn)槿把诖a是離散的，或者說(shuō)是有類別的，并且模型可能非常大。例如，要生成 512×1024 的全景掩碼，模型必須生成超過(guò) 1M 的離散標(biāo)記（語(yǔ)義標(biāo)簽和實(shí)例標(biāo)簽）。這對(duì)于自回歸模型來(lái)說(shuō)開(kāi)銷(xiāo)還是比較昂貴的，因?yàn)?token 本質(zhì)上是順序的，很難隨著輸入數(shù)據(jù)的規(guī)模變化而變化。擴(kuò)散模型更擅長(zhǎng)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(guò)用模擬位表示離散數(shù)據(jù)，本文作者表明可以直接在大型全景掩碼上訓(xùn)練擴(kuò)散模型，而無(wú)需學(xué)習(xí)潛在空間。

通過(guò)廣泛的實(shí)驗(yàn)，研究者們證明了他們的通用法可以在類似環(huán)境中與最先進(jìn)的專家方法一較高下。

模型架構(gòu)

擴(kuò)散模型采樣是迭代進(jìn)行的，因此在推理過(guò)程中必須多次運(yùn)行網(wǎng)絡(luò)的前向傳播。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****。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****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的特征圖的網(wǎng)絡(luò)，其中 H’和 w’是全景遮罩的高度和寬度。全景遮罩可以與原始圖像的大小相同或小一點(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 的編碼器層作為特征提取器。為了確保輸出的特征圖具有足夠的分辨率，并包含不同尺度的特征，受 U-Net 和特征金字塔網(wǎng)絡(luò)的啟發(fā)，研究者使用具有雙邊連接和上采樣操作的卷積從不同的分辨率來(lái)合并特征。雖然可以使用更復(fù)雜的編碼器，這樣可以使用一些架構(gòu)設(shè)計(jì)方面的最新進(jìn)展，但這不是網(wǎng)絡(luò)模型的主要關(guān)注點(diǎn)，所以研究者只是使用較為簡(jiǎn)單的特征提取器來(lái)說(shuō)明其在模型中的作用。

掩碼****

****在模型推理過(guò)程中基于圖像特征，迭代地細(xì)化全景掩碼。具體來(lái)說(shuō)，研究者使用的掩碼****是 TransUNet。該網(wǎng)絡(luò)將來(lái)自編碼器的圖像特征圖和噪聲掩碼（隨機(jī)初始化或迭代地來(lái)自編碼過(guò)程）的連接作為輸入，并輸出對(duì)掩碼的精確預(yù)測(cè)。****與用于圖像生成和圖像到圖像轉(zhuǎn)換的標(biāo)準(zhǔn) U-Net 架構(gòu)之間的一個(gè)區(qū)別是，在上采樣之前，本文使用的 U-Net 頂部使用了帶有交叉注意力層的 transformer ****層來(lái)合并編碼的圖像特征。

在視頻模態(tài)下的應(yīng)用

研究者將圖像條件下的全景遮罩建模為：p(m|x)。基于給定視頻的三維掩碼（有一個(gè)額外的時(shí)間維度），本文的模型就可以直接適用于視頻全景分割。為了適應(yīng)在線 / 流媒體的視頻設(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)前的圖像和上一時(shí)刻的掩碼生成新的全景掩碼。如圖 5 所示，這一變化可以通過(guò)將過(guò)去的全景掩碼 (m_(t-1),m_(t-k)) 與現(xiàn)有的噪聲掩碼連接起來(lái)來(lái)實(shí)現(xiàn)。除了這個(gè)微小的變化之外，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(jiǎn)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(chǎng)景里。

實(shí)驗(yàn)結(jié)果

本文與兩個(gè)系列的最先進(jìn)的方法進(jìn)行了比較，即專家方法和通用方法。表 1 總結(jié)了在 MS-COCO 數(shù)據(jù)集上的結(jié)果。Pix2Seq-D 在基于 ResNet-50 的主干上的泛化質(zhì)量（PQ）與最先進(jìn)的方法相比有一定的競(jìng)爭(zhēng)力。與最近的其他通用模型如 UViM 相比，本文的模型表現(xiàn)明顯更好，同時(shí)效率更高。

表 2 將 Pix2Seq-D 與無(wú)監(jiān)督視頻物體分割最先進(jìn)的方法在 DAVIS 數(shù)據(jù)集上進(jìn)行了比較，指標(biāo)使用的是標(biāo)準(zhǔn)的 J&F。值得注意的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)。本文的方法在沒(méi)有專門(mén)設(shè)計(jì)的情況下取得了與最先進(jìn)的方法相同的結(jié)果。

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