生成语义分割

CVPRMar, 2023

Generative Semantic Segmentation

Jiaqi Chen, Jiachen Lu, Xiatian Zhu, Li Zhang

TL;DR本论文提出了一种基于生成学习的语义分割方法以及如何将条件网络与后验分布结合起来，从而实现在标准和跨领域的语义分割问题上达到新的最佳性能表现。

Abstract

We present generative semantic segmentation (GSS), a generative learning approach for semantic segmentation. Uniquely, we cast semantic segmentation as an image-conditioned mask generation problem. This is achieved by replacing the conventional per-pixel discriminative learning with a

generative semantic segmentation latent prior learning maskige conditioning network cross-domain

发现论文，激发创造

GANSeg: 通过无监督分层图像生成学习分割

本文提出了一种基于生成对抗网络的方法，以隐式关键点作为上下文条件，生成与引导图像细分任务对应的掩模图像。该方法不仅不需要对数据进行标注，而且还可以提高系统对视角和目标位置变化的容忍度。通过生成图像 - 掩模对，本文所提出的方案在公认的基准测试上优于现有的无监督分割方法。

Dec, 2021

基于高斯混合模型的生成式语义分割模型

GMMSeg 提出了一种使用密集生成分类器进行分割的新型分割模型，以捕获类条件密度并在具有各种分割架构和 Backbone 的情况下优于鉴别模型，即使在开放性的数据集上也表现良好。

Oct, 2022

生成医学分割

介绍了一种基于生成模型的图像分割方法 (GMS)，使用预训练的 Variational Autoencoder (VAE) 生成精确的分割掩膜，提供了医学图像分割的新标准，具有良好的领域泛化能力。

Mar, 2024

探索简化开放词汇语义分割

通过 S-Seg 模型，我们可以实现准确的像素级别标签分配，无需依赖于图像级别的 VL 模型、地面实况掩码和自定义分组编码器，并且可以在多个测试数据集上进行良好的泛化而无需进行微调。

Jan, 2024

SSG2：一种用于语义分割的新建模范式

利用序列模型和时间维度，在语义分割中引入了一种新方法 (SSG2)，通过整合多次观测来提高准确性，并在不同数据集上表现出优异的性能。

Oct, 2023

面部图像合成的语义部件自动生成

该研究提出了一种网络结构，可以自动操纵或生成图像物体类别的语义分割掩码，尤其关注人脸的形状操纵，通过嵌入类别到潜在空间并使用双向 LSTM 块和卷积解码器，可以独立地编辑每个类别的嵌入向量以输出一个新的本地操作后的掩码，这项研究结果定量和定性地表明该模型享有较高的生成多样性和控制能力。

Jul, 2023

语义引导的视频对象分割

本研究探讨了如何通过引入语义先验来指导外观模型，从而解决半监督视频对象分割的问题，并提出了半监督视频对象分割（SGV）方法，该方法能够在每帧半秒钟的时间内，在两个不同的数据集上使用各种评估指标，比以前的最新技术取得更好的结果。

Apr, 2017

无条件生成器的语义图像合成

通过使用预训练的无条件生成器和重新排列特征图来生成与给定语义掩模相匹配的逼真图像。该方法在各种应用中表现出优势，包括真实图像的自由空间编辑，素描转照片，甚至涂鸦转照片。

Feb, 2024

基于生成模型的语义分割：半监督学习与强领域通用化

本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从 CT 到 MRI 等领域之外的广泛有效性。

Apr, 2021

面向弱监督语义分割的分组语义挖掘

本研究提出一种基于图神经网络的弱监督语义分割方法，将图像表示为图的节点，使用组内注意力机制建立图中的关系，通过迭代信息传递的方式学习更准确、更完整的物体响应，并在多个基准数据集上取得了最先进的性能。

Dec, 2020