Nous présentons une étude systématique sur une nouvelle tâche appelée segmentation d'images dichotomiques (DIS), qui vise à segmenter des objets avec une grande précision à partir d'images naturelles. À cette fin, nous avons collecté le premier ensemble de données DIS à grande échelle, appelé DIS5K, qui contient 5 470 images en haute résolution (par exemple, 2K, 4K ou plus grandes) couvrant des objets camouflés, saillants ou minutieux dans diverses arrière-plans. DIS est annoté avec des labels extrêmement détaillés. De plus, nous introduisons une méthode de supervision intermédiaire simple (IS-Net) utilisant des guides au niveau des caractéristiques et au niveau du masque pour l'entraînement du modèle DIS. IS-Net surpasse diverses méthodes de pointe sur le jeu de données DIS5K proposé, ce qui en fait un réseau de supervision auto-appris général pouvant faciliter les futures recherches en DIS. En outre, nous concevons une nouvelle métrique appelée effort de correction humaine (HCE) qui approxime le nombre d'opérations de clic de souris nécessaires pour corriger les faux positifs et les faux négatifs. L'HCE est utilisée pour mesurer l'écart entre les modèles et les applications réelles et peut donc compléter les métriques existantes. Enfin, nous réalisons la plus grande évaluation comparative à ce jour, en évaluant 16 modèles de segmentation représentatifs, fournissant une discussion plus approfondie concernant la complexité des objets et montrant plusieurs applications potentielles (par exemple, suppression d'arrière-plan, design artistique, reconstruction 3D). Nous espérons que ces efforts ouvriront des perspectives prometteuses tant pour la recherche académique que pour l'industrie. Page du projet : https://xuebinqin.github.io/dis/index.html.