ARGenSeg

ARGenSeg框架使用生成模型进行高级图像分割

研究人员推出了ARGenSeg，一个将图像分割与自回归图像生成模型相结合的新框架。该方法使多模态大语言模型（MLLMs）能够通过直接从视觉标记生成密集掩码来实现像素级感知。与依赖离散表示或单独分割头的先前方法不同，ARGenSeg利用MLLM的理解来生成掩码，显著提高了细粒度视觉细节的捕捉能力。该系统还采用了一种下一尺度预测策略来并行化视觉标记生成，减少了推理延迟，并在各种分割数据集上以速度和准确性超越了现有的最先进方法。