SAFe：分段引导的特征密度聚合，用于异常感知分段

视觉分割系统在现实世界部署期间遇到训练分布之外的对象，阻碍了在感知阶段依赖于场景解析的可靠自主系统。最近的许多方法通过使用自监督基础模型来训练在异常图像区域中产生低可能性的密度估计器来解决这个问题。尽管这些方法很有前途，但它们的特征语义较差或缺乏空间一致性，这两者都会破坏关键的下游决策。我们用 ~\method 来解决这个问题，这是一种基于自监督表示的类条件密度估计的生成方法。 SAFe 训练轻量级归一化流，对冻结的 DINOv3 特征生成类条件归一化似然估计。我们将Transformer特征的密度估计与多尺度卷积特征的密度得分相结合，以捕获全局语义和局部细节。我们引入了一种基于 SAM3 的与方法无关的后处理步骤，该步骤将每个位置的可能性连接到空间相干的片段，同时抑制误报，并无需重新训练即可实现实例级异常检测。后处理通过基于相似性的凝聚聚类方案进一步区分异常对象中的新类别。 SAFe 在 PANIC、OoDIS、SMIYC ObstacleTrack 上树立了新的技术水平，在 ISSU 基准测试中表现强劲。