消除特征模糊性以实现少样本分割

近年来，少样本分割（Few-Shot Segmentation, FSS）领域的发展广泛采用了查询图像（query）与支持图像（support）特征之间的逐像素匹配机制，通常基于交叉注意力（cross attention）实现，该机制能够选择性激活与同类支持图像前景（Foreground, FG）特征相对应的查询图像前景特征。然而，由于骨干网络深层结构具有较大的感受野，提取的查询与支持图像前景特征不可避免地混入了背景（Background, BG）特征，从而干扰了交叉注意力中的前景-前景匹配过程。这导致查询前景特征与有效支持前景特征的融合程度降低，即支持信息未能得到充分挖掘与利用。为此，本文提出一种新型即插即用模块——模糊性消除网络（Ambiguity Elimination Network, AENet），可无缝集成至任意基于交叉注意力的FSS方法中。其核心思想是通过挖掘具有判别性的查询前景区域，对模糊的前景特征进行修正，从而提升前景信息在特征中的占比，有效抑制掺杂背景特征带来的负面影响。在此机制下，前景-前景匹配能力得以自然增强。我们在三种基准方法CyCTR、SCCAN和HDMNet上集成AENet进行评估，结果表明性能显著提升，例如SCCAN在PASCAL-5$^i$和COCO-20$^i$两个数据集上的1-shot分割性能分别提升了3.0%以上。相关代码已开源，地址为：https://github.com/Sam1224/AENet。