Tag · 8 篇
推理分割
SegCompass：利用稀疏自编码器探索可解释对齐以增强推理分割
SegCompass: Exploring Interpretable Alignment with Sparse Autoencoders for Enhanced Reasoning Segmentation
用稀疏自编码器将思维链与视觉 token 映射到共享稀疏概念空间，为推理分割提供可解释、可微的对齐路径，可复用于需要透明推理的视觉-语言任务。
强化视频目标分割在分割之前先思考
Reinforcing Video Object Segmentation to Think before it Segments
把 GRPO 强化学习与思维链初始化引入视频推理分割，用整体奖励同时约束空间对齐与时序一致性；对做指代分割或视频 grounding 的研究者，这是一套可直接迁移的「先推理再出掩码」训练范式，也提供了抑制 LVLM 幻觉的奖励设计思路。
PixDLM：面向无人机推理分割的双路径多模态语言模型
PixDLM: A Dual-Path Multimodal Language Model for UAV Reasoning Segmentation
把思维链问答监督与像素级分割输出耦合进一个多模态语言模型，为高分辨率斜视无人机影像提供可复用的推理分割基线；其按空间、属性、场景三级组织语义需求的思路，可直接迁移到其他需要复杂推理的开放词表分割设定。
IBISAgent：强化多模态大模型中的像素级视觉推理，实现通用生物医学目标指代与分割
IBISAgent: Reinforcing Pixel-Level Visual Reasoning in MLLMs for Universal Biomedical Object Referring and Segmentation
把分割重构为多轮「文本点击动作 + 调用分割工具」的智能体决策过程，无需改动 MLLM 架构、也无需联合微调解码器，这种「MLLM 输出点击坐标驱动外部分割器」的范式可直接迁移到通用指代分割与交互式分割，并天然支持掩码迭代精修。
GenMask：通过直接掩码生成适配 DiT 的分割方法
GenMask: Adapting DiT for Segmentation via Direct Mask Generation
将分割视为生成任务，直接用 DiT 在 RGB 空间生成二值掩码，省去特征提取流程；其针对二值掩码的极端噪声时间步采样策略可复用于其他生成式密集预测任务。
面向图像与视频的快速推理分割
Fast Reasoning Segmentation for Images and Videos
把推理分割的推理链蒸馏进 0.6B 小模型，用数字孪生表征解耦感知与推理，再以分割精度+推理质量联合奖励做强化微调，为边缘端实时开放词表分割提供可复用范式。
Dr. Seg：通过面向感知的设计重新审视视觉大语言模型的 GRPO 训练
Dr. Seg: Revisiting GRPO Training for Visual Large Language Models through Perception-Oriented Design
针对视觉感知任务（如推理分割）重新设计 GRPO 训练框架，提出 Look-to-Confirm 机制和 Distribution-Ranked Reward 模块，无需修改模型架构即可提升 VLLM 在复杂视觉场景下的感知性能，为将强化学习应用于视觉任务提供了可复用的训练策略。
通过锚定描述实现判别性感知以用于推理分割
Discriminative Perception via Anchored Description for Reasoning Segmentation
用描述性 caption 与上下文做语义对比来构造判别性奖励，可作为一种可复用的 RL 奖励设计思路，用于任何需要模型聚焦目标区域的 grounding/分割任务，同时产出与分割对齐的可解释理由。