| 论文 | https://arxiv.org/pdf/2304.03284.pdf |
|---|---|
| Code | https://github.com/baaivision/Painter |
文章目录
1. 背景
在Painter中，将各种密集预测任务视为一种着色问题。
- 在训练过程中将同一数据集的两张图片的原图和GT图分别拼接起来，然后，随机将GT图的某些块mask掉，通过预测这些被mask掉的区域的颜色，并和GT进行loss监督。
- 那么，在推理阶段，给定一张图片和它对应的GT图作为prompt，再给定一张要与prompt执行相同任务的图片，那么这张图片的GT相当于被全部mask掉，模型输出就会将mask掉的区域也就是整张图的颜色预测出来。
2. Motivation
- 在Painter中，以语义分割任务为例，类别的颜色是事先给定的，使得模型学习到的是一种任务特定的颜色预测任务；
- 在SegGPT中，目标是根据上下文完成不同的任务，而不是依赖于特定的颜色。
3. Method
3.1 In-Context Coloring
在Painter中，每个类别的颜色是事先定义的，这导致模型学习到了任务特定的信息，而不是依据给定的prompt，按照其中的上下文含义进行分割。
因此：
- SegGPT将之前的预定义的颜色着色改成了随机着色；
- 此外，为了应对上下文的问题，对于当前训练图片，从数据集中随机挑选出与当前图片上下文相同的图片，如类别一致或者属于同一instance，以这样的方式来构造pairs；
- 注意，同一pairs要使用相同的颜色映射，这样模型才能知道着色相同的区域上下文是一致的；
3.2 Context Ensemble
在推理阶段，可以给定一张图片和对应的标签作为prompt，将要推理的图片和prompt进行拼接。
为了使得结果更加准确，可以使用多个prompt，这些prompt就需要进行集成ensemble，本文提出了两种集成方式：
- the spatial ensemble (top) and the feature ensemble (bottom). The spatial ensemble strategy involves stitching multiple example images together and resizing them to the input resolution.
- The feature ensemble strategy averages features of the query image after each attention layer so that the query image aggregates all the reference examples.
3.3 In-Context Tuning
简而言之，就是对于特定任务，你如果认为随便找一张图片和对应的标签不具有代表性，可以将模型参数固定，初始化一个可学习的prompt图片，然后用同样的loss去更新prompt，这样，在推理阶段，可以直接使用这个迭代更新得到的prompt作为提示。
这个过程类似数据集蒸馏的过程，也就是说合成一张能够代表整个数据集的图片。
