显式视觉提示为通用前景细分的显式视觉提示
IEEE transactions on pattern analysis and machine intelligence
|October 9, 2025
概括
一个新的显式视觉提示 (EVP) 框架统一了前景细分任务. 这种计算机视觉方法使用明确的视觉内容,在各种应用程序中获得高效,高性能的结果,而不需要特定任务的设计.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 前景细分对于各种计算机视觉任务至关重要.
- 现有的方法通常需要特定领域的设计,限制它们的普遍性和稳定性.
研究的目的:
- 引入一个统一的框架,用于前景细分任务.
- 开发一种新的视觉提示模型,避免针对特定任务的调整.
主要方法:
- 拟议的明确视觉提示 (EVP),灵感来自于NLP的预训练和提示调整.
- EVP将可调节的参数集中在单个图像的明确视觉内容 (冷补丁嵌入,高频组件) 上.
- 一个预先训练的模型被结了,只有几个额外的参数来学习特定任务的知识.
主要成果:
- 与全微调和其他参数效率高的方法相比,EVP实现了更高的性能.
- 该方法在14个数据集和5个不同的前景细分任务中表现出有效性.
- 超越现有的特定任务的方法,同时保持简单性.
结论:
- EVP为前景细分提供了统一,高效和高性能的解决方案.
- 该框架显示了跨不同架构,预训练重量和任务的可扩展性.
- 这种方法通过利用明确的视觉线索来简化复杂的计算机视觉问题.


