Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.04418

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2508.04418 (cs)
[提交于 2025年8月6日 ]

标题: 思考后再分割:一种针对指代音频-视觉分割的物体感知推理代理

标题: Think Before You Segment: An Object-aware Reasoning Agent for Referring Audio-Visual Segmentation

Authors:Jinxing Zhou, Yanghao Zhou, Mingfei Han, Tong Wang, Xiaojun Chang, Hisham Cholakkal, Rao Muhammad Anwer
摘要: 参考音频-视觉分割(Ref-AVS)旨在根据给定的参考表达式对可听视频中的目标对象进行分割。 以往的工作通常依赖于通过多模态融合学习潜在嵌入,以提示可调节的SAM/SAM2解码器进行分割,这需要强大的像素级监督且缺乏可解释性。 从显式参考理解的新视角出发,我们提出了TGS-Agent,它将任务分解为思考-定位-分割的过程,通过首先通过多模态分析识别所指对象,然后进行粗粒度定位和精确分割,模仿人类的推理过程。 为此,我们首先提出了Ref-Thinker,一个能够对文本、视觉和听觉线索进行推理的多模态语言模型。 我们构建了一个带有显式对象感知思考-回答链的指令微调数据集,用于Ref-Thinker的微调。 由Ref-Thinker推断出的对象描述被用作Grounding-DINO和SAM2的显式提示,这些模型在不依赖像素级监督的情况下执行定位和分割。 此外,我们引入了R\textsuperscript{2}-AVSBench,一个新的基准测试,具有语言多样性和推理密集型的参考,以更好地评估模型的泛化能力。 我们的方法在标准Ref-AVSBench和提出的R\textsuperscript{2}-AVSBench上均取得了最先进的结果。 代码将在https://github.com/jasongief/TGS-Agent上提供。
摘要: Referring Audio-Visual Segmentation (Ref-AVS) aims to segment target objects in audible videos based on given reference expressions. Prior works typically rely on learning latent embeddings via multimodal fusion to prompt a tunable SAM/SAM2 decoder for segmentation, which requires strong pixel-level supervision and lacks interpretability. From a novel perspective of explicit reference understanding, we propose TGS-Agent, which decomposes the task into a Think-Ground-Segment process, mimicking the human reasoning procedure by first identifying the referred object through multimodal analysis, followed by coarse-grained grounding and precise segmentation. To this end, we first propose Ref-Thinker, a multimodal language model capable of reasoning over textual, visual, and auditory cues. We construct an instruction-tuning dataset with explicit object-aware think-answer chains for Ref-Thinker fine-tuning. The object description inferred by Ref-Thinker is used as an explicit prompt for Grounding-DINO and SAM2, which perform grounding and segmentation without relying on pixel-level supervision. Additionally, we introduce R\textsuperscript{2}-AVSBench, a new benchmark with linguistically diverse and reasoning-intensive references for better evaluating model generalization. Our approach achieves state-of-the-art results on both standard Ref-AVSBench and proposed R\textsuperscript{2}-AVSBench. Code will be available at https://github.com/jasongief/TGS-Agent.
评论: 项目页面:https://github.com/jasongief/TGS-Agent
主题: 计算机视觉与模式识别 (cs.CV) ; 人工智能 (cs.AI); 多智能体系统 (cs.MA); 多媒体 (cs.MM)
引用方式: arXiv:2508.04418 [cs.CV]
  (或者 arXiv:2508.04418v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.04418
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Jinxing Zhou [查看电子邮件]
[v1] 星期三, 2025 年 8 月 6 日 13:05:09 UTC (42,813 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
eess.AS
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.AI
cs.CV
cs.MA
cs.MM

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号