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

提出一种名为 amodal panoptic segmentation 的任务，旨在同时预测 stuff 类可见区域的像素级别语义分割标签和 thing 类可见区域以及遮挡区域的实例分割标签。扩展两个基准数据集以便研究新任务，在公开可用的 KITTI-360-APS 和 BDD100K-APS 中提供像素级别的 amodal panoptic 分割标签。提出了 APSNet 模型，它显式地建模了遮挡物和被遮挡物的复杂关系。在两个基准测试上达到了最先进的性能。

Feb, 2022

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

通过逐步建模视觉特征和粗略预测分割的精细信息，我们提出了一种名为 “Coarse-to-Fine Segmentation (C2F-Seg)” 的新方法来解决涉及对象可见和遮挡部分的不完全分割的挑战。同时，我们创建了一个合成的整体性数据集 MOViD-A，用于图像和视频整体性对象分割。通过在两个基准数据集 KINS 和 COCO-A 上进行大量评估，我们实证了 C2F-Seg 的优越性，并展示了在 FISHBOWL 和我们提出的 MOViD-A 上进行视频整体性对象分割任务的潜力。

Aug, 2023

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

我们的方法通过在物体边界框外使用其上下文来指导预训练的扩散修复模型，逐步扩展遮挡物体并修剪额外背景，从而克服了两个技术挑战，并在众多成功的修复情况中展现了改进的照片级修复结果。

Dec, 2023

提出一个基于形状先验知识的可见可切割分割方法，通过集中在可见区域和内存中的形状先验知识，该方法可以消除背景和遮挡区域的影响，提高分割效果。

Dec, 2020

研究论文旨在通过 SAM 方法提出了一种新的分层焦点框架，应用先验知识进行图像的完整形状预测，提高精度和性能。

May, 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