本文的創(chuàng)新點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適配圖片和流媒體場景。

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

雖然語義標(biāo)簽的類別是先驗固定的，但分配給圖像中對象的實例 ID 是可以互相交換同時不影響識別的。例如，交換兩輛車的實例 ID 不會影響結(jié)果。因此，經(jīng)過訓(xùn)練以預(yù)測實例 ID 的神經(jīng)網(wǎng)絡(luò)應(yīng)該能夠?qū)W習(xí)從單個圖像到多個實例 ID 分配的一對多映射。一對多映射的學(xué)習(xí)具有挑戰(zhàn)性，傳統(tǒng)方法通常利用多個階段的管道，包括對象檢測、分割、合并多個預(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，能夠有效地將一對多映射轉(zhuǎn)換為基于識別匹配的一對一映射。然而，這些方法仍然需要定制的架構(gòu)和專門的損失函數(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)的框架來實現(xiàn)泛化任務(wù)，同時還能比以前的模型簡單得多。例如，Pix2Seq 根據(jù)圖像生成一系列具有語義意義的序列，來完成一些核心的視覺任務(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)計了一個生成模型，并為輸入到模型的每一張圖片都生成一組離散 token。使用者只需將過去幀的預(yù)測作為附加條件信號，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，模型就可以自動地學(xué)習(xí)跟蹤和分割對象。

全景分割的生成式建模非常具有挑戰(zhàn)性，因為全景掩碼是離散的，或者說是有類別的，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 1M 的離散標(biāo)記（語義標(biāo)簽和實例標(biāo)簽）。這對于自回歸模型來說開銷還是比較昂貴的，因為 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)，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，而無需學(xué)習(xí)潛在空間。

通過廣泛的實驗，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，因此在推理過程中必須多次運行網(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)分成兩個組件：1）圖像編碼器；2) 掩碼****。前者將原始像素數(shù)據(jù)映射到高級表示向量，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。在這項工作中，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，所以研究者只是使用較為簡單的特征提取器來說明其在模型中的作用。

掩碼****

****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，研究者使用的掩碼****是 TransUNet。該網(wǎng)絡(luò)將來自編碼器的圖像特征圖和噪聲掩碼（隨機(jī)初始化或迭代地來自編碼過程）的連接作為輸入，并輸出對掩碼的精確預(yù)測。****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)?；诮o定視頻的三維掩碼（有一個額外的時間維度），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，這一變化可以通過將過去的全景掩碼 (m_(t-1),m_(t-k)) 與現(xiàn)有的噪聲掩碼連接起來來實現(xiàn)。除了這個微小的變化之外，其他方面都與視頻基礎(chǔ)模型（p(m|x)）相同。這個模型很簡單，對圖像全景模型進(jìn)行微調(diào)就可以應(yīng)用到視頻場景里。

實驗結(jié)果

本文與兩個系列的最先進(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爭力。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，同時效率更高。

表 2 將 Pix2Seq-D 與無監(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，因為它們不能直接適用于該任務(wù)。本文的方法在沒有專門設(shè)計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。