機器之心報導
機器之心編輯部
CV 領域已經卷到了一個新的高度。
本月初，Meta 發布「分割一切」AI 模型 ——Segment Anything Model（SAM）。SAM 被認為是一個通用的圖像分割基礎模型，它學會了關於物體的一般概念，可以為任何圖像或視頻中的任何物體生成 mask，包括在訓練過程中沒有遇到過的物體和圖像類型。這種「零樣本遷移」的能力令人驚嘆，甚至有人稱 CV 領域迎來了「GPT-3 時刻」。
最近，一篇「一次性分割一切」的新論文《Segment Everything Everywhere All at Once》再次引起關注。在該論文中，來自威斯康星大學麥迪遜分校、微軟、香港科技大學的幾位華人研究者提出了一種基於 prompt 的新型交互模型 SEEM。SEEM 能夠根據用戶給出的各種模態的輸入（包括文本、圖像、塗鴉等等），一次性分割圖像或視頻中的所有內容，並識別出物體類別。該項目已經開源，並提供了試玩地址供大家體驗。
論文連結：https://arxiv.org/pdf/2304.06718.pdf
項目連結：https://github.com/UX-Decoder/Segment-Everything-Everywhere-All-At-Once
試玩地址：https://huggingface.co/spaces/xdecoder/SEEM
該研究通過全面的實驗驗證了 SEEM 在各種分割任務上的有效性。即使 SEEM 不具有了解用戶意圖的能力，但它表現出強大的泛化能力，因為它學會了在統一的表徵空間中編寫不同類型的 prompt。此外，SEEM 可以通過輕量級的 prompt 解碼器有效地處理多輪交互。
先來看一下分割效果：
在變形金剛的合影中把「擎天柱」分割出來：
還能對一類物體做分割，比如在一張景觀圖片中分割出所有建築物：
SEEM 也能輕鬆分割出視頻中移動的物體：
這個分割效果可以說是非常絲滑了。我們來看一下該研究提出的方法。
方法概述
該研究旨在提出一個通用接口，以藉助多模態 prompt 進行圖像分割。為了實現這一目標，他們提出了一種包含 4 個屬性的新方案，包括多功能性（versatility）、組合性（compositionality）、交互性（interactivity）和語義感知能力（semantic-awareness），具體包括
1）多功能性該研究提出將點、掩碼、文本、檢測框（box）甚至是另一個圖像的參考區域（referred region）這些異構的元素，編碼成同一個聯合視覺語義空間中的 prompt。
2）組合性通過學習視覺和文本 prompt 的聯合視覺語義空間來即時編寫查詢以進行推理。SEEM 可以處理輸入 prompt 的任意組合。
3）交互性：該研究引入了通過結合可學習的記憶（memory） prompt，並通過掩碼指導的交叉注意力保留對話歷史信息。
4）語義感知能力：使用文本編碼器對文本查詢和掩碼標籤進行編碼，從而為所有輸出分割結果提供了開放集語義。
架構方面，SEEM 遵循一個簡單的 Transformer 編碼器 - 解碼器架構，並額外添加了一個文本編碼器。在 SEEM 中，解碼過程類似於生成式 LLM，但具有多模態輸入和多模態輸出。所有查詢都作為 prompt 反饋到解碼器，圖像和文本編碼器用作 prompt 編碼器來編碼所有類型的查詢。
具體來說，該研究將所有查詢（如點、框和掩碼）編碼為視覺 prompt，同時使用文本編碼器將文本查詢轉換為文本 prompt，這樣視覺和文本 prompt 就能保持對齊。5 種不同類型的 prompt 都能都映射到聯合視覺語義空間中，通過零樣本適應來處理未見過的用戶 prompt。通過對不同的分割任務進行訓練，模型具有處理各種 prompt 的能力。此外，不同類型的 prompt 可以藉助交叉注意力互相輔助。最終，SEEM 模型可以使用各種 prompt 來獲得卓越的分割結果。
除了強大的泛化能力，SEEM 在運行方面也很高效。研究人員將 prompt 作為解碼器的輸入，因此在與人類進行多輪交互時，SEEM 只需要在最開始運行一次特徵提取器。在每次疊代中，只需要使用新的 prompt 再次運行一個輕量級的解碼器。因此，在部署模型時，參數量大運行負擔重的特徵提取器可以在伺服器上運行，而在用戶的機器上僅運行相對輕量級的解碼器，以緩解多次遠程調用中的網絡延遲問題。
如上圖 3（b）所示，在多輪交互中，每次交互包含一個人工循環和一個模型循環。在人工循環中，人接收上一次疊代的掩碼輸出，並通過視覺 prompt 給出下一輪解碼的正反饋或負反饋。在模型循環中，模型接收並更新記憶 prompt 供未來的預測。
實驗結果
該研究將 SEEM 模型與 SOTA 交互式分割模型進行了實驗比較，結果如下表 1 所示。
作為一個通用模型，SEEM 實現了與 RITM，SimpleClick 等模型相當的性能，並且與 SAM 的性能非常接近，而 SAM 用於訓練的分割數據是 SEEM 的 50 倍之多。
與現有的交互式模型不同，SEEM 是第一個不僅支持經典分割任務，還支持各種用戶輸入類型的通用接口，包括文本、點、塗鴉、框和圖像，提供強大的組合功能。如下表 2 所示，通過添加可組合的 prompt，SEEM 在 cIoU，mIoU 等指標上有了顯著的分割性能提升。
我們再來看一下交互式圖像分割的可視化結果。用戶只需要畫出一個點或簡單塗鴉，SEEM 就能提供非常好的分割結果
也可以輸入文本，讓 SEEM 進行圖像分割
還能直接輸入參考圖像並指出參考區域，對其他圖像進行分割，找出與參考區域一致的物體：
該項目已經可以線上試玩，感興趣的讀者快去試試吧。