激发、参与和细分 (EASe)：具有特征校准和自监督上采样的与领域无关的细粒度掩模发现

无监督分割方法越来越多地利用基础模型 (FM) 来改进显着对象发现。然而，这些方法在具有复杂、多成分形态的场景中常常会出现问题，而在这些场景中，细粒度的结构细节是必不可少的。许多最先进的无监督分割管道依赖于利用粗略的、补丁级表示的掩模发现方法。这些粗糙的表示本质上抑制了解析此类复杂形态所需的细粒度细节。为了克服这一限制，我们提出了 Excite、Attend 和 Segment (EASe)，这是一种无监督的与领域无关的语义分割框架，可在具有挑战性的现实世界场景中轻松发现细粒度的掩模。 EASe 利用新颖的带有通道激励的语义感知上采样 (SAUCE) 来激励低分辨率 FM 特征通道以进行选择性校准，并参与空间编码图像和 FM 特征以恢复全分辨率语义表示。最后，EASe 使用新颖的 无需训练 线索注意力特征聚合器 (CAFE) 将聚合特征分割为多粒度掩模，该聚合器利用 SAUCE 注意力分数作为语义分组信号。 EASe 与 SAUCE 和 CAFE 一起直接在像素级特征表示上运行，以实现准确的细粒度密集语义掩模发现。我们的评估表明，在主要标准基准和具有复杂形态的各种数据集上，EASe 的性能优于以前的最先进技术 (SOTA)。代码可在 https://ease-project.github.io 获取