MP-Former: Mask-Piloted Transformer for Image Segmentation

https://arxiv.org/abs/2303.07336

mask2former问题是：相邻层得到的掩码不连续，差别很大

denoising training非常有效地稳定训练时期之间的二分匹配。去噪训练的关键思想是将带噪声的GT坐标与可学习查询并行地送到Transformer解码器中，并训练模型去噪和恢复GT边框坐标。MPFormer去噪训练的思想从DN-DETR来，改进的mask2former模型。

MPformer送入class embeddings作为查询，给每层解码层送入GT masks作为attention masks，然后让模型重建类别和masks。

mask2former提出的mask attention可以使得训练时容易收敛。作者发现使得Vit类模型容易收敛的一些常识为给可学习的查询明确的意义，减少不确定性；二是给交叉注意力局部限制，更好的找到目标。因此作者认为给交叉注意力明确的导向可以提高分割性能。和DN-DETR不同，MPformer噪声可选择，可以没有。

作者把mask2former看做一个掩码不断精细化的过程，一层的预测作为下一层的attention masks。

MPformer是每层将GTmask作为attention masks，由于每层大小不一样，所以把GT使用双线性插值到不同分辨率。

加噪声的三种方式：

点噪声表现最好，所以用的点噪声。

Label-guided training：class embeddings会对应一个classification loss，class embeddings加噪声。

两种噪声，类别和掩码噪声的比例给的是0.2。

辅助函数：

结果