本月初，Meta 發(fā)布「分割一切」AI 模型 ——Segment Anything Model（SAM）。SAM 被認(rèn)為是一個(gè)通用的圖像分割基礎(chǔ)模型，它學(xué)會(huì)了關(guān)于物體的一般概念，可以為任何圖像或視頻中的任何物體生成 mask，包括在訓(xùn)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(lǐng)域迎來了「GPT-3 時(shí)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(guān)注。在該論文中，來自威斯康星大學(xué)麥迪遜分校、微軟、香港科技大學(xué)的幾位華人研究者提出了一種基于 prompt 的新型交互模型 SEEM。SEEM 能夠根據(jù)用戶給出的各種模態(tài)的輸入（包括文本、圖像、涂鴉等等），一次性分割圖像或視頻中的所有內(nèi)容，并識(shí)別出物體類別。該項(xiàng)目已經(jīng)開源，并提供了試玩地址供大家體驗(yàn)。

論文鏈接：https://arxiv.org/pdf/2304.06718.pdf

項(xiàng)目鏈接：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(shí)驗(yàn)驗(yàn)證了 SEEM 在各種分割任務(wù)上的有效性。即使 SEEM 不具有了解用戶意圖的能力，但它表現(xiàn)出強(qiáng)大的泛化能力，因?yàn)樗鼘W(xué)會(huì)了在統(tǒng)一的表征空間中編寫不同類型的 prompt。此外，SEEM 可以通過輕量級(jí)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(duì)一類物體做分割，比如在一張景觀圖片中分割出所有建筑物：

SEEM 也能輕松分割出視頻中移動(dòng)的物體：

這個(gè)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(gè)通用接口，以借助多模態(tài) prompt 進(jìn)行圖像分割。為了實(shí)現(xiàn)這一目標(biāo)，他們提出了一種包含 4 個(gè)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(diǎn)、掩碼、文本、檢測(cè)框（box）甚至是另一個(gè)圖像的參考區(qū)域（referred region）這些異構(gòu)的元素，編碼成同一個(gè)聯(lián)合視覺語義空間中的 prompt。

2）組合性通過學(xué)習(xí)視覺和文本 prompt 的聯(lián)合視覺語義空間來即時(shí)編寫查詢以進(jìn)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(jié)合可學(xué)習(xí)的記憶（memory） prompt，并通過掩碼指導(dǎo)的交叉注意力保留對(duì)話歷史信息。

4）語義感知能力：使用文本編碼器對(duì)文本查詢和掩碼標(biāo)簽進(jìn)行編碼，從而為所有輸出分割結(jié)果提供了開放集語義。

架構(gòu)方面，SEEM 遵循一個(gè)簡(jiǎn)單的 Transformer 編碼器 - 解碼器架構(gòu)，并額外添加了一個(gè)文本編碼器。在 SEEM 中，解碼過程類似于生成式 LLM，但具有多模態(tài)輸入和多模態(tài)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(diǎn)、框和掩碼）編碼為視覺 prompt，同時(shí)使用文本編碼器將文本查詢轉(zhuǎn)換為文本 prompt，這樣視覺和文本 prompt 就能保持對(duì)齊。5 種不同類型的 prompt 都能都映射到聯(lián)合視覺語義空間中，通過零樣本適應(yīng)來處理未見過的用戶 prompt。通過對(duì)不同的分割任務(wù)進(jìn)行訓(xùn)練，模型具有處理各種 prompt 的能力。此外，不同類型的 prompt 可以借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(jié)果。

除了強(qiáng)大的泛化能力，SEEM 在運(yùn)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(jìn)行多輪交互時(shí)，SEEM 只需要在最開始運(yùn)行一次特征提取器。在每次迭代中，只需要使用新的 prompt 再次運(yùn)行一個(gè)輕量級(jí)的解碼器。因此，在部署模型時(shí)，參數(shù)量大運(yùn)行負(fù)擔(dān)重的特征提取器可以在服務(wù)器上運(yùn)行，而在用戶的機(jī)器上僅運(yùn)行相對(duì)輕量級(jí)的解碼器，以緩解多次遠(yuǎn)程調(diào)用中的網(wǎng)絡(luò)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(gè)人工循環(huán)和一個(gè)模型循環(huán)。在人工循環(huán)中，人接收上一次迭代的掩碼輸出，并通過視覺 prompt 給出下一輪解碼的正反饋或負(fù)反饋。在模型循環(huán)中，模型接收并更新記憶 prompt 供未來的預(yù)測(cè)。

實(shí)驗(yàn)結(jié)果

該研究將 SEEM 模型與 SOTA 交互式分割模型進(jìn)行了實(shí)驗(yàn)比較，結(jié)果如下表 1 所示。

作為一個(gè)通用模型，SEEM 實(shí)現(xiàn)了與 RITM，SimpleClick 等模型相當(dāng)?shù)男阅?，并且與 SAM 的性能非常接近，而 SAM 用于訓(xùn)練的分割數(shù)據(jù)是 SEEM 的 50 倍之多。

與現(xiàn)有的交互式模型不同，SEEM 是第一個(gè)不僅支持經(jīng)典分割任務(wù)，還支持各種用戶輸入類型的通用接口，包括文本、點(diǎn)、涂鴉、框和圖像，提供強(qiáng)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(biāo)上有了顯著的分割性能提升。

我們?cè)賮砜匆幌陆换ナ綀D像分割的可視化結(jié)果。用戶只需要畫出一個(gè)點(diǎn)或簡(jiǎn)單涂鴉，SEEM 就能提供非常好的分割結(jié)果

也可以輸入文本，讓 SEEM 進(jìn)行圖像分割

還能直接輸入?yún)⒖紙D像并指出參考區(qū)域，對(duì)其他圖像進(jìn)行分割，找出與參考區(qū)域一致的物體：

該項(xiàng)目已經(jīng)可以線上試玩，感興趣的讀者快去試試吧。