ICCV 2025 HighlightAI｜打通第一/第三人稱視覺，跨視角視覺理解新SOTA

2025-10-20 08:49:00

人工智能新聞

INSAIT、復(fù)旦大學(xué)等單位聯(lián)合提出ObjectRelator框架，讓AI精準(zhǔn)匹配不同視角下的同一物體，實(shí)現(xiàn)跨視角的統(tǒng)一表征與理解。

具身智能落地邁出關(guān)鍵一步，AI擁有第一人稱與第三人稱的“通感”了！

INSAIT、復(fù)旦大學(xué)等單位聯(lián)合提出ObjectRelator框架，讓AI精準(zhǔn)匹配不同視角下的同一物體，實(shí)現(xiàn)跨視角的統(tǒng)一表征與理解。

實(shí)驗(yàn)中，ObjectRelator在Ego（第一人稱視覺）轉(zhuǎn)Exo（三人稱視覺）和Exo轉(zhuǎn)Ego兩個(gè)任務(wù)上都顯著超越了所有基線模型，拿下SOTA。

Ego→Exo效果，be like：

Exo→Ego也可以很好地對(duì)齊：

目前，該工作已被ICCV 2025接收為Highlight論文，代碼已開源。

Ego與Exo之間的鴻溝

在人類技能習(xí)得過(guò)程中，需要在兩個(gè)視角之間進(jìn)行流暢的轉(zhuǎn)換。

我們?cè)谟^看別人的演示過(guò)程時(shí)，會(huì)嘗試在腦海中想象自己進(jìn)行這些操作的場(chǎng)景。然而這一跨視角理解的能力對(duì)于計(jì)算機(jī)和機(jī)器人來(lái)說(shuō)卻是一個(gè)巨大的挑戰(zhàn)，制約著機(jī)器人學(xué)習(xí)、VR交互等關(guān)鍵領(lǐng)域的發(fā)展。

第一人稱視角具備較強(qiáng)的沉浸感與交互細(xì)節(jié)捕捉能力，能夠精確刻畫主體與環(huán)境之間的動(dòng)態(tài)交互過(guò)程。然而，其視覺范圍受限、畫面穩(wěn)定性較差，難以全面反映場(chǎng)景全貌。

相比之下，第三人稱視角具有更廣闊的空間感知能力，能夠清晰呈現(xiàn)場(chǎng)景與動(dòng)作的整體結(jié)構(gòu)及時(shí)空關(guān)系，但其畫面中目標(biāo)物體通常較小，細(xì)節(jié)信息相對(duì)不足。

如何在物體級(jí)別上建立第一人稱與第三人稱視角之間的視覺對(duì)應(yīng)與語(yǔ)義關(guān)聯(lián)，進(jìn)而實(shí)現(xiàn)跨視角的統(tǒng)一表征與理解，仍是當(dāng)前領(lǐng)域亟待解決的核心問(wèn)題。

現(xiàn)有工作的不足與挑戰(zhàn)

盡管近年來(lái)出現(xiàn)了諸如Mask2Former、SAM、SAM2等高性能圖像分割模型，但如下圖所示，他們普遍受限于從單一圖像（視角）中進(jìn)行圖像分割任務(wù)，難以駕馭跨視角分割問(wèn)題。

PSALM是為數(shù)不多可以接受雙視角輸入進(jìn)行分割的模型，然而其在面臨Ego-Exo跨視角物體分割任務(wù)時(shí)仍面臨兩大核心挑戰(zhàn)：

1、復(fù)雜的背景干擾

在復(fù)雜場(chǎng)景下拍攝的Ego/Exo畫面，尤其是Exo，其場(chǎng)景通常包含大量結(jié)構(gòu)復(fù)雜、語(yǔ)義多樣的背景元素，其中部分對(duì)象在外觀或形態(tài)上與目標(biāo)高度相似。此類高相似度干擾使得僅依賴視覺特征進(jìn)行匹配極易導(dǎo)致目標(biāo)混淆或誤識(shí)別，從而顯著削弱模型在跨視角目標(biāo)辨識(shí)與追蹤中的判別能力。

2、顯著的視覺變換

同一個(gè)物體，在Ego視角中可能占據(jù)圖像的大部分區(qū)域，而在Exo視角中則僅表現(xiàn)為畫面中的一個(gè)小尺度目標(biāo)，其外觀形態(tài)、姿態(tài)角度以及相對(duì)空間位置均發(fā)生劇烈變化。此外，由于光照、遮擋和相機(jī)參數(shù)不同，物體的顏色、紋理等視覺特征在兩個(gè)視角下也會(huì)呈現(xiàn)出明顯的視覺差異。

如下對(duì)比圖顯示，（a）PSALM會(huì)定位到形狀相似而語(yǔ)義錯(cuò)誤的物體類型；（b）PSALM不能分割出形狀變化較大的正確物體。

兩大創(chuàng)新模塊，解鎖跨視角“通感”

為了攻克上述難題，ObjectRelator基于PSALM構(gòu)建了第一個(gè)跨視角多模態(tài)分割模型，能夠有效支持以Ego-Exo為代表的跨視角物體關(guān)聯(lián)人物。方法主要包含兩個(gè)核心模塊：

1、多模態(tài)條件融合模塊（MCFuse）

為了讓模型不只“看形狀”，還要“懂語(yǔ)義”，MCFuse首次將語(yǔ)言描述引入跨視角分割任務(wù)。它通過(guò)預(yù)訓(xùn)練的視覺語(yǔ)言模型（LLaVA）為查詢物體生成一句簡(jiǎn)短的文本描述（如“一把黑色的剪刀”），再與視覺掩碼特征進(jìn)行融合。

融合過(guò)程中，模型通過(guò)交叉注意力機(jī)制、殘差鏈接、以及動(dòng)態(tài)融合權(quán)重三種策略共同權(quán)衡視覺與語(yǔ)言信息的重要性，從而更準(zhǔn)確地鎖定目標(biāo)物體。

2、跨視角對(duì)象對(duì)齊模塊（XObjAlign）

為了應(yīng)對(duì)物體在不同視角下的外觀變化，XObjAlign提出了一種自監(jiān)督對(duì)齊策略：在訓(xùn)練中，模型會(huì)同時(shí)提取同一物體在Ego視角和Exo視角下的特征，并通過(guò)一個(gè)一致性損失函數(shù)拉近它們的距離。這意味著，模型被強(qiáng)制學(xué)習(xí)一種“視角不變”的物體表示，從而在面對(duì)視角變化時(shí)仍能保持穩(wěn)定的識(shí)別能力。

實(shí)驗(yàn)結(jié)果：SOTA性能+任意跨視角的泛化能力

ObjectRelator在兩大跨視角數(shù)據(jù)集上進(jìn)行了驗(yàn)證：

Ego-Exo4D：目前最大的Ego-Exo跨視角數(shù)據(jù)集，涵蓋烹飪、維修、運(yùn)動(dòng)等六大場(chǎng)景。
HANDAL-X：作者構(gòu)建的新基準(zhǔn)，專注于機(jī)器人操作場(chǎng)景下的物體分割。

1、主要實(shí)驗(yàn)結(jié)果與指標(biāo)

實(shí)驗(yàn)結(jié)果顯示，ObjectRelator在Ego→Exo和Exo→Ego兩個(gè)任務(wù)上都顯著超越了所有基線模型，在Small TrainSet上相比于微調(diào)后的PSALM模型IoU指標(biāo)分別提升4.6% 和5.1%，達(dá)到SOTA性能。

2、模塊有效性驗(yàn)證

消融實(shí)驗(yàn)充分驗(yàn)證了各個(gè)模塊的有效性與必要性。無(wú)論是單獨(dú)引入MCFuse還是XObjAlign，都能帶來(lái)顯著的性能提升。這一結(jié)果表明：融入語(yǔ)義信息與強(qiáng)化跨視角一致性是解決該任務(wù)的兩個(gè)正確且相互補(bǔ)的方向。

3、強(qiáng)大的泛化能力

在HANDAL-X數(shù)據(jù)集上的零樣本測(cè)試中，使用Ego-Exo4D數(shù)據(jù)訓(xùn)練的ObjectRelator模型，其性能遠(yuǎn)超在COCO等傳統(tǒng)數(shù)據(jù)集上訓(xùn)練的模型。

這證明了通過(guò)在跨視角數(shù)據(jù)上進(jìn)行訓(xùn)練，模型能夠?qū)W到一種可泛化到全新場(chǎng)景的跨視角理解能力。同樣的，針對(duì)HANDAL-X數(shù)據(jù)集微調(diào)后的ObjectRelator模型能達(dá)到進(jìn)一步的性能提醒，超越PSALM的同時(shí)達(dá)到SOTA的效果。