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:2508.00265v2

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2508.00265v2 (cs)
[提交于 2025年8月1日 (v1) ,最后修订 2025年8月5日 (此版本, v2)]

标题: 多模态指代分割:综述

标题: Multimodal Referring Segmentation: A Survey

Authors:Henghui Ding, Song Tang, Shuting He, Chang Liu, Zuxuan Wu, Yu-Gang Jiang
摘要: 多模态指代分割旨在基于文本或音频格式的指代表达,在视觉场景(如图像、视频和3D场景)中分割目标对象。 这项任务在需要根据用户指令进行准确物体感知的实际应用中起着至关重要的作用。 在过去十年中,由于卷积神经网络、变压器和大型语言模型的进步,它在多模态领域获得了广泛关注,所有这些都显著提高了多模态感知能力。 本文对多模态指代分割进行了全面的综述。 我们首先介绍该领域的背景,包括问题定义和常用数据集。 接下来,我们总结了一个统一的元架构用于指代分割,并回顾了三种主要视觉场景(包括图像、视频和3D场景)中的代表性方法。 我们进一步讨论了广义指代表达(GREx)方法,以应对现实世界的复杂性挑战,以及相关任务和实际应用。 还提供了在标准基准上的广泛性能比较。 我们持续跟踪相关工作,网址为https://github.com/henghuiding/Awesome-Multimodal-Referring-Segmentation。
摘要: Multimodal referring segmentation aims to segment target objects in visual scenes, such as images, videos, and 3D scenes, based on referring expressions in text or audio format. This task plays a crucial role in practical applications requiring accurate object perception based on user instructions. Over the past decade, it has gained significant attention in the multimodal community, driven by advances in convolutional neural networks, transformers, and large language models, all of which have substantially improved multimodal perception capabilities. This paper provides a comprehensive survey of multimodal referring segmentation. We begin by introducing this field's background, including problem definitions and commonly used datasets. Next, we summarize a unified meta architecture for referring segmentation and review representative methods across three primary visual scenes, including images, videos, and 3D scenes. We further discuss Generalized Referring Expression (GREx) methods to address the challenges of real-world complexity, along with related tasks and practical applications. Extensive performance comparisons on standard benchmarks are also provided. We continually track related works at https://github.com/henghuiding/Awesome-Multimodal-Referring-Segmentation.
评论: 项目页面: https://github.com/henghuiding/Awesome-Multimodal-Referring-Segmentation
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2508.00265 [cs.CV]
  (或者 arXiv:2508.00265v2 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.00265
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Henghui Ding [查看电子邮件]
[v1] 星期五, 2025 年 8 月 1 日 02:14:00 UTC (4,713 KB)
[v2] 星期二, 2025 年 8 月 5 日 11:42:44 UTC (7,105 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:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs

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