本文提出了一种统一的全景分割网络（UPSNet），通过在单个骨干残差网络上设计基于可变卷积的语义分割头和基于 Mask R-CNN 的实例分割头，同时解决这两个子任务，并引入了一个无需参数的全景头来通过像素级分类解决全景分割，可帮助更好地解决语义分割和实例分割之间的冲突。此外，具有处理不同实例数量挑战的功能，可以端到端地在底部模块中反向传播。实验结果表明，UPSNet 可以实现最先进的性能，并具有更快的推理速度。

Jan, 2019

提出了名为 CPSeg 的新型实时端到端全景分割网络，该网络采用共享编码器、双解码器和无聚类实例分割头，以动态支柱化前景点，通过学习嵌入来获得实例标签，并通过成对嵌入比较找到连接柱来转化传统的基于提案或聚类的实例分割为二元分割问题。在 SemanticKITTI 和 nuScenes 两个大规模自动驾驶数据集上进行了基准测试，结果表明 CPSeg 在两个数据集上都达到了实时方法的最先进水平。

Nov, 2021

研究通过聚类策略和点嵌入来改进全景分割的实例分割步骤，以解决同一个语义类别附近实例分割的挑战，实验证明该策略的有效性和多样性。

Jul, 2023

提出了一种名为 Panoptic-PolarNet 的快速而强健的 LiDAR 点云全景分割框架，使用极坐标鸟瞰图表示进行语义分割和类无关实例聚类，以解决城市街景中实例的遮挡问题，实验结果表明 Panoptic-PolarNet 在 benchmark 数据集上表现优异。

Mar, 2021

本文提出了一种新的弱监督全景分割方法，使用逐点标注替代像全监督方法那样使用像素级标签，通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习，最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识，以实现像素解析。在实验中，本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。

Oct, 2022

本文旨在针对户外移动映射数据的全景分割问题，建立一个模块化的全局视点分割流水线，通过全面的系统实验来评估全景分割的状态，并提供首个公共数据集。

Apr, 2023

本文提出了一种名为 Panoster 的新型无需分类器的全景分割方法，通过学习聚类解决方案来生成类不可知分割，不仅快速而且能够在 SemanticKITTI 基准测试中超过现有方法，并展示了如何在现有的语义架构中灵活地有效地应用我们的方法来提供全景预测。

Oct, 2020

本文提出了一种名为 EfficientLPS 的创新型自顶向下的 LiDAR 全景分割框架来解决 LiDAR 点云分割中的多个挑战，包括距离依赖的稀疏性、严重遮挡、大规模变化和重投影误差，并在两个大型 LiDAR 数据集上实现了状态 - of-the-art 的效果。

Feb, 2021

我们提出了一种名为 U2Seg 的无监督通用分割模型，能够使用统一框架执行多种图像分割任务：实例分割、语义分割和全景分割。该方法通过利用自监督模型生成伪语义标签，并在此基础上进行自我训练，达到了与专门设计的方法相比显著的性能提升，同时也为无监督全景分割建立了一个新的基准。此外，在少样本情况下，即只有 1% 的 COCO 标签时，U2Seg 也是强大的预训练模型，比 CutLER 在 APmask 上提升了 5.0 个点。我们希望我们简单而有效的方法能够激发更多关于无监督通用图像分割的研究。

Dec, 2023

为应对在野外进行视频全景分割任务，我们提出了一种强大的综合视频全景分割解决方案，通过将视频全景分割任务视为分割目标查询任务，利用神经网络提取的视频特征来预测分割掩码，同时添加了视频语义分割和视频实例分割等额外任务进行联合训练，提高了解决方案的学习准确性和收敛速度，最终在 VIPSeg 数据集上获得了第三名的好成绩。

Jun, 2023