摘要

玻璃类物体（如窗户、瓶子和镜子）在现实世界中广泛存在，对其感知在机器人导航与抓取等任务中具有重要应用价值。然而，由于玻璃类物体背后的场景具有任意性，该任务面临巨大挑战。本文提出一种基于增强边界学习的玻璃类物体分割方法，以解决上述难题。具体而言，我们首先提出一种新颖的精炼差异模块（refined differential module），能够输出更精细的边界线索；随后引入一种边缘感知的基于点的图卷积网络模块，用于建模边界沿线的全局形状信息。利用这两个模块，我们设计了一种解码器结构，能够生成准确且清晰的分割结果，尤其在物体轮廓处表现优异。所提出的两个模块均具有轻量化与高效的特点，可灵活嵌入多种分割模型中。在三个近期公开的玻璃类物体分割数据集（Trans10k、MSD 和 GDD）上进行的大量实验表明，本方法取得了新的最先进性能。此外，我们在三个通用分割数据集（Cityscapes、BDD 和 COCO Stuff）上也验证了方法出色的泛化能力。代码与模型已开源，地址为：\url{https://github.com/hehao13/EBLNet}。