摘要
水下图像实例分割是水下图像分析与理解中的基础且关键步骤。然而，由于缺乏通用的多类别实例分割数据集，水下图像实例分割研究的发展受到了严重制约。本文首次提出了首个水下图像实例分割数据集（UIIS），该数据集包含4628张图像，涵盖7个类别，并提供像素级标注。同时，本文首次设计了WaterMask模型，用于水下图像实例分割任务。在WaterMask中，我们首先提出了差异相似性图注意力模块（Difference Similarity Graph Attention Module, DSGAT），以恢复因图像质量退化和下采样而丢失的细节信息，从而提升网络的预测能力。随后，我们设计了多级特征精炼模块（Multi-level Feature Refinement Module, MFRM），通过不同尺度的特征分别预测前景掩码与边界掩码，并引入边界掩码策略（Boundary Mask Strategy, BMS）结合边界学习损失，引导网络优化，实现更精细的分割结果。大量实验结果表明，相较于Mask R-CNN，在使用ResNet-50和ResNet-101作为主干网络时，WaterMask分别实现了2.9和3.8的mAP提升。代码与数据集已开源，获取地址为：https://github.com/LiamLian0727/WaterMask。