我们研究的问题是不完全图像分割：预测包括可见和不可见（被遮挡）部分的完整对象分割掩膜。我们使用 3D 数据构建了一个自动管道来确定真实的部分遮挡对象的不完全真值分割掩膜，并通过两种架构变体探索了在野外处理不完全完成任务的方法。我们的方法在包括 COCOA 和我们的新 MP3D-Amodal 数据集在内的不完全分割数据集上取得了最新的最好性能。
Dec, 2023
本文探讨了利用贝叶斯模型解决神经网络中的物体分割模糊出界问题，通过利用对象的背景和形状作为先验知识来实现模型对训练任务标签的超出范围的推理，并通过应用异常值处理技术来推广到部分被遮挡的对象并预测其模态对象边界。
Oct, 2020
通过引入 TAO-Amodal 基准测试数据集，并利用轻量级插件模块，amodal 扩展器，通过数据增强和少量视频序列的微调，我们在 TAO-Amodal 上分别实现了 3.3％和 1.6％对遮挡物体的检测和跟踪改善，并在人物方面相较于现有模态基线实现了巨大 2 倍的改进。
通过扩散模型与累积遮蔽学习，我们引入了序列化的不定类目物体的分割，以便在密集的多层视觉场景中准确预测可见和遮挡区域，同时捕捉不可见区域的不确定性和再现被遮挡物体的复杂形状和遮挡顺序分布。
May, 2024
本文主要探讨了利用物体识别和大数据集来解决单景深图像中物体检测系统缺乏尺寸和深度数据的问题，并通过引入 amodal 边界框完成任务、建立类别特定的物体尺寸分布模型和利用场景识别技术进行焦距推测的方法，在实际场景中取得了一定的成果。
Sep, 2015
本文提出了一种无需预测提议、将 amodal mask 分配到不同层级、通过在每一层独立地进行 amodal 实例回归来预测交通参与者及其语义标签的 proposal-free 多标签多类别无缝分割网络，并采用共享骨干和不对称双解码器的 et 架构以及 amodal mask refiner，其在 BDD100K-APS 和 KITTI-360-APS 数据集上的测试表明超越了现有技术水平。
May, 2022
基于可见掩码的有向扩展方法，通过引入重叠区域的连接损失，实现了精确的遮挡物体完整分割。
Jan, 2024
本篇论文提出了一种名为 Amodal Instance Composition 的图像组合方法，该方法使用对象形状预测和内容补全模块综合虚拟内容，并提出了一种神经组合模型，以无缝方式混合对象。
Oct, 2022
本文提出一种基于深度生成模型的有效面部完成算法，通过神经网络直接生成缺失区域的内容，并通过重构损失、两种对抗性损失和语义分割损失进行训练，能够处理任意形状的大面积丢失像素并生成逼真的面部完成结果。
Apr, 2017
本文提出并验证了一种基于标准模态实例分割注释来训练模型进行非模态实例分割的新方法。同时定性和定量证明了该方法的有效性。
Apr, 2016