👀SEEM: 一次性分割一切事物

:grapes: [阅读我们的arXiv论文] :apple: [体验我们的演示]

我们介绍了SEEM，它可以使用多模态提示一次性Segment Everything Everywhere with Multi-modal prompts（分割任何地方的任何事物）。SEEM允许用户使用不同类型的提示轻松分割图像，包括视觉提示（点、标记、框、涂鸦和图像分割）和语言提示（文本和音频）等。它还可以与任何组合的提示一起使用，或扩展到自定义提示！

作者：Xueyan Zou*、Jianwei Yang*、Hao Zhang*、Feng Li*、Linjie Li、Jianfeng Wang、Lijuan Wang、Jianfeng Gao^、Yong Jae Lee^，发表于 NeurIPS 2023。

简要介绍我们可以执行的所有通用和交互式分割任务！

SEEM设计

:rocket: 更新

[2023.11.2] SEEM应用于LLaVA-Interactive：一个集图像聊天、分割、生成和编辑于一体的演示。通过视觉聊天体验未来的交互式图像编辑。 [项目页面] [演示] [代码] [论文]
[2023.10.23] SEEM用于Set-of-Mark Prompting：GPT-4V的全新视觉提示技术！它完全释放了GPT-4V非凡的视觉定位能力！ [项目页面] [代码] [论文]
[2023.10.10] 我们发布了SEEM-Large-v1的训练日志和SEEM-Tiny-v1的日志！
[2023.10.04] 我们很高兴发布 :white_check_mark: 训练/评估/演示代码、:white_check_mark: 新的检查点和 :white_check_mark: 全面的说明文档，适用于X-Decoder和SEEM！
[2023.09.25] 我们的工作已被NeurIPS 2023接受！
[2023.07.27] 我们很高兴发布X-Decoder训练代码！我们将很快发布其衍生的SEEM训练代码！
[2023.07.10] 我们发布了Semantic-SAM，一个通用图像分割模型，能够以任何所需的粒度分割和识别任何物体。代码和检查点已可用！
[2023.05.02] 我们发布了SEEM Focal-L和X-Decoder Focal-L检查点以及配置文件！
[2023.04.28] 我们更新了ArXiv，展示了比SAM更好的交互式分割结果，而SAM的训练数据量是我们的50倍！
[2023.04.26] 我们发布了演示代码和SEEM-Tiny检查点！请尝试一键启动！
[2023.04.20] SEEM指代视频分割已发布！请尝试视频演示并查看NERF示例。

:bookmark_tabs: 目录

我们为SEEM和X-Decoder发布以下内容:exclamation:

:point_right: Linux下的一键SEEM演示：

git clone git@github.com:UX-Decoder/Segment-Everything-Everywhere-All-At-Once.git && sh assets/scripts/run_demo.sh

:round_pushpin: [新] 入门指南：

INSTALL.md <br>
DATASET.md <br>
TRAIN.md <br>
EVAL.md :round_pushpin: [新] 最新检查点和数据： | | | | COCO | | | Ref-COCOg | | | VOC | | SBD | | |-----------------|---------------------------------------------------------------------------------------------|------------|------|------|------|-----------|------|------|-------|-------|-------|-------| | 方法 | 检查点 | 骨干网络 | PQ ↑ | mAP ↑ | mIoU ↑ | cIoU ↑ | mIoU ↑ | AP50 ↑ | NoC85 ↓ | NoC90 ↓| NoC85 ↓| NoC90 ↓| | X-Decoder | ckpt | Focal-T | 50.8 | 39.5 | 62.4 | 57.6 | 63.2 | 71.6 | - | - | - | - | | X-Decoder-oq201 | ckpt | Focal-L | 56.5 | 46.7 | 67.2 | 62.8 | 67.5 | 76.3 | - | - | - | - | | SEEM_v0 | ckpt | Focal-T | 50.6 | 39.4 | 60.9 | 58.5 | 63.5 | 71.6 | 3.54 | 4.59 | * | * | | SEEM_v0 | - | Davit-d3 | 56.2 | 46.8 | 65.3 | 63.2 | 68.3 | 76.6 | 2.99 | 3.89 | 5.93 | 9.23 | | SEEM_v0 | ckpt | Focal-L | 56.2 | 46.4 | 65.5 | 62.8 | 67.7 | 76.2 | 3.04 | 3.85 | * | * | | SEEM_v1 | ckpt | SAM-ViT-B | 52.0 | 43.5 | 60.2 | 54.1 | 62.2 | 69.3 | 2.53 | 3.23 | * | * | | SEEM_v1 | ckpt | SAM-ViT-L | 49.0 | 41.6 | 58.2 | 53.8 | 62.2 | 69.5 | 2.40 | 2.96 | * | * | | SEEM_v1 | ckpt/log | Focal-T | 50.8 | 39.4 | 60.7 | 58.5 | 63.7 | 72.0 | 3.19 | 4.13 | * | * | | SEEM_v1 | ckpt/log | Focal-L | 56.1 | 46.3 | 65.8 | 62.4 | 67.8 | 76.0 | 2.66 | 3.44 | * | * |

SEEM_v0: 支持单一交互对象的训练和推理 SEEM_v1: 支持多个交互对象的训练和推理

:fire: 相关项目：

FocalNet 和 DaViT：我们使用FocalNet和DaViT作为视觉骨干网络。
UniCL：我们使用统一对比学习技术来学习图像-文本表示。
X-Decoder：我们基于X-Decoder构建了SEEM，X-Decoder是一个通用解码器，可以用一个模型完成多个任务。

:fire: 其他你可能感兴趣的项目：

Semantic-SAM，一个通用图像分割模型，可以在任何所需粒度下分割和识别任何物体
OpenSeed：强大的开放集分割方法。
Grounding SAM：结合Grounding DINO和Segment Anything；Grounding DINO：一个强大的开放集检测模型。
X-GPT：由X-Decoder支持的对话式视觉代理。
LLaVA：大型语言和视觉助手。

:bulb: 亮点

受到大语言模型中通用接口的启发，我们倡导单一模型实现任何类型分割的通用、交互式多模态接口。我们强调SEEM的4个重要特征如下。

多功能性：适用于各种类型的提示，例如点击、框、多边形、涂鸦、文本和参考图像；
组合性：处理任何提示的组合；
交互性：与用户进行多轮交互，得益于SEEM的记忆提示存储会话历史；
语义感知：为任何预测的掩码提供语义标签；

:unicorn: 如何使用演示

首先尝试我们的默认示例；
上传一张图片；
选择至少一种你喜欢的提示类型（如果你想使用另一张图片的参考区域，请选中"示例"并在参考图像面板中上传另一张图片）；
记得为你选择的每种提示类型提供实际提示，否则你会遇到错误（例如，记得在参考图像上绘画）；
我们的模型默认支持COCO 80类别的词汇表，其他类别将被归类为"其他"或被错误分类。如果你想使用开放词汇标签进行分割，请在画完涂鸦后在"文本"按钮中包含文本标签。
点击"提交"并等待几秒钟。

:volcano: 一个有趣的例子

一个变形金刚的例子。参考图像是擎天柱的卡车形态。无论擎天柱是什么形态，我们的模型都能在目标图像中分割出擎天柱。感谢Hongyang Li提供这个有趣的例子。

:tulip: NERF示例

受SA3D中示例的启发，我们在NERF示例上尝试了SEEM，效果很好 :)

:camping: 点击、涂鸦生成遮罩

用户只需简单点击或涂抹，我们就能生成相应的遮罩及其类别标签。

SEEM设计

:mountain_snow: 文本生成遮罩

SEEM可以根据用户的文本输入生成遮罩，实现与人类的多模态交互。

:mosque: 参考图像生成遮罩

在参考图像上简单点击或涂抹，模型就能在目标图像上分割出具有相似语义的物体。

SEEM对空间关系的理解非常出色。看看这三只斑马！分割出的斑马与参考斑马的位置相似。例如，当上排最左边的斑马被指定时，下排最左边的斑马就被分割出来。

:blossom: 参考图像生成视频遮罩

无需在视频数据上训练，SEEM可以完美地根据您指定的任何查询为视频分割！

:sunflower: 音频生成遮罩

我们使用Whisper将音频转换为文本提示来分割物体。在我们的演示中试试吧！

:deciduous_tree: 不同风格的示例

分割表情包的示例。

分割卡通风格树木的示例。

分割Minecraft图像的示例。

在流行的泰迪熊上使用参考图像的示例。

模型

SEEM设计

与SAM的比较

在下图中，我们比较了三种分割任务（边缘检测、开放集和交互式分割）的交互和语义水平。开放集分割通常需要较高的语义水平，但不需要交互。与SAM相比，SEEM涵盖了更广泛的交互和语义水平。例如，SAM仅支持有限的交互类型，如点和框，而由于它本身不输出语义标签，因此缺少高语义任务。原因如下：首先，SEEM有一个统一的提示编码器，将所有视觉和语言提示编码到一个联合表示空间中。因此，SEEM可以支持更广泛的用途。它有潜力扩展到自定义提示。其次，SEEM在文本到遮罩（基于定位的分割）方面表现出色，并输出具有语义意识的预测。