ConceptSeg-R1：通过元强化学习分割任何概念

即时分割的最新进展已将视觉感知从对象级定位转变为概念级理解。然而，概念的概念仍然不明确，使得目前的方法是否真正泛化到类别识别之外还不清楚。在这项工作中，我们通过由上下文无关（CI）、上下文相关（CD）和上下文推理（CR）概念组成的三级分类法形式化了广义概念分割，这揭示了随着认知复杂性水平的提高而存在的明显的能力差距。为了应对这一挑战，我们提出了 ConceptSeg-R1，这是一个统一的框架，它将概念分割重新表述为规则诱导的概念基础。我们方法的核心是 Meta-GRPO，这是一种元强化学习机制，可以从视觉演示中学习可转移的任务规则，并通过代理推理来验证它们。然后，推断的推理状态通过轻量级概念转换模块转换为可分割的概念提示，从而能够对目标图像进行演绎应用。快捷路由策略进一步保留了简单情况下分割模型的本机效率。为了系统地评估广义概念分割，我们在自然、工业、医学和推理密集型领域的不同 CI、CD 和 CR 概念分割基准上进行了广泛的实验。没有花里胡哨的东西，ConceptSeg-R1 在整个概念层次结构中实现了强大的性能，同时保持了及时分割主干的本机功能。作为分割任何概念的第一步，我们希望 ConceptSeg-R1 可以作为将分割从对象级预测推进到概念级理解的实用基线。