EdgeFlow：通过边缘引导的光流实现实用的交互式分割

高质量的训练数据在图像分割任务中起着关键作用。通常，大规模训练数据所需的像素级标注成本高昂、耗时且劳动密集。为降低标注成本并提升分割质量，交互式分割方法应运而生，仅需用户少量点击即可获得分割结果。然而，现有方法在速度与准确率方面仍难以满足实际分割任务的需求。本文提出一种名为 EdgeFlow 的新架构，充分融合用户点击的交互信息，并引入边缘引导的流传播机制，实现高效精准的分割。该方法无需任何后处理或迭代优化策略，即可达到当前最优性能。在多个基准数据集上的大量实验进一步验证了所提方法的优越性。此外，基于该方法，我们开发了一款高效实用的交互式图像标注工具，适用于实际数据标注任务。相关源代码与工具已开源，地址为：https://github.com/PaddlePaddle/PaddleSeg。