ECCV2024 (oral) | 突破场景图生成的边界：OvSGTR 实现全开放词汇场景图生成

• 论文名称: Expanding Scene Graph Boundaries: Fully Open-vocabulary Scene Graph Generation via Visual-Concept Alignment and Retention
• 论文地址：https://arxiv.org/pdf/2311.10988
• 代码链接：https://github.com/gpt4vision/OvSGTR

随着计算机视觉领域的飞速发展，如何在复杂场景中精准识别对象及其关系成为了至关重要的挑战。 场景图生成（Scene Graph Generation, SGG）作为一种将图像中的物体和它们之间的关系结构化表示的技术，广泛应用于图像理解、视觉问答、语义通信等任务中 。然而，现有的SGG方法几乎都局限于封闭集，只能识别预定义的对象和关系类别。这一瓶颈极大地限制了SGG模型在真实世界中面对多样化场景的泛化能力。

OvSGTR 应运而生，它不仅打破了这一技术瓶颈，还为场景图生成领域带来了全新的突破。 通过融合视觉-概念对齐与保留策略，OvSGTR首次实现了全开放词汇的场景图生成 ，即模型能够在未见过的对象和关系类别上进行精准预测，极大扩展了SGG的应用边界。

现有SGG模型的不足

大多数现有的SGG模型在训练和推理时仅依赖于预定义的对象和关系集合，这使得它们在面对未知的对象或关系时无法做出准确的预测。尽管近期有部分研究尝试扩展到开放词汇的对象检测，但对涉及关系的开放词汇场景图生成的研究相对匮乏。

OvSGTR框架：应对未知对象与关系的挑战

在这篇论文中，我们首次全面分析了SGG中的节点和边缘对开放词汇的影响，并提出了四个场景设置，分别是封闭集SGG、开放词汇对象检测（OvD-SGG）、开放词汇关系检测（OvR-SGG）及开放词汇对象+关系检测（OvD+R-SGG）。其中，OvD+R-SGG 是最具挑战的场景，涉及到同时预测未知的对象和关系。

为应对这些挑战，OvSGTR采用了一种端到端的Transformer架构，通过图像-文本数据进行弱监督关系感知的预训练，并在训练过程中通过视觉-概念对齐来增强模型对未见类别的泛化能力。

视觉-概念对齐与保留策略

OvSGTR利用图像-文本对进行弱监督学习，通过从图像描述中解析关系三元组来生成伪标签，并结合视觉特征对节点和边缘进行对齐。此外，针对模型在训练新数据时容易遗忘先前知识的问题，我们提出了视觉-概念保留策略，通过知识蒸馏减少这种“灾难性遗忘”，确保模型在学习新任务时仍能保持对旧任务的记忆能力。

实验结果与展望

在Visual Genome基准数据集上的实验表明，OvSGTR在所有设置中都表现出了卓越的性能，尤其在开放词汇场景下，显著优于其他模型。我们的方法不仅在节点预测方面展现了强大的开放词汇能力，而且在复杂的关系预测任务中也达到了新的技术高度。

尽管OvSGTR取得了显著进展，但未来仍有一些改进空间。例如，利用大型语言模型（LLM）来代替传统的语言解析器，进一步提高伪标签生成的精度。此外，场景图生成与(多模态)大型语言模型之间的相互协作也值得探讨，以期在更少标注的条件下提升场景图生成的性能。