用于实例分割的照明感知统一模型

像分段任意模型 (SAM) 这样的基础模型展示了令人印象深刻的零样本泛化能力，但在不同的现实世界光照下经常会退化，特别是在分割实例中。在这项工作中，我们通过开发 \textit{Lighting Convolutional-Attention (\lca{})} 来解决这个限制，这是一个适配器模块，可以增强分段鲁棒性，而无需 微调 沉重的主干。 \lca{} 采用双分支架构来处理 RGB 特征和对比度图，从而实现对结构变化而不是照明伪影的物理驱动的敏感性。我们通过成对训练策略优化\lca{}，引入一个目标损失项，该损失项明确惩罚干净图像与其相应的照明变体之间的差异。为了评估和支持该架构，我们对多个现有基准进行了全面的实证研究，并提出了一个新颖的基于 Unity 的合成数据集，专门用于准确复制复杂的现实世界照明条件。大量的实验结果表明，我们的方法成功地弥合了域差距，提供了卓越的照明稳健分割。