摘要

我们提出X-Decoder，一种通用的解码模型，能够无缝地预测像素级分割结果与语言标记（token）。X-Decoder接受两种类型的查询输入：(i) 通用的非语义查询，以及 (ii) 由文本输入所激发的语义查询，从而在统一的语义空间中解码出不同粒度的像素级与标记级输出。得益于这一创新性设计，X-Decoder成为首个提供统一范式以支持所有类型图像分割及多种视觉-语言（Vision-Language, VL）任务的模型。此外，该设计实现了跨不同粒度任务间的无缝交互，并通过学习一个共通且丰富的像素级视觉-语义理解空间，带来任务间的相互增益，且无需任何伪标签（pseudo-labeling）。在有限数量的分割数据与数百万图像-文本对上进行预训练后，X-Decoder展现出强大的泛化能力，可在零样本（zero-shot）与微调（fine-tuning）两种设置下广泛适配各类下游任务。其性能表现尤为突出：(1) 在八个数据集上实现了开放词汇分割（open-vocabulary segmentation）与指代表达分割（referring segmentation）的当前最优结果；(2) 在分割与视觉-语言任务上，微调性能优于或媲美其他通用模型与专用模型；(3) 具备高效的微调灵活性以及支持新型任务组合的能力，例如指代表达描述生成（referring captioning）与图像编辑（image editing）。代码、演示、视频及可视化结果详见：https://x-decoder-vl.github.io。