本文介绍了MSeg数据集及其在语义分割中的应用，提出了DFPQ方法和attn2mask技术，显著提升了模型性能和鲁棒性。此外，研究探讨了利用扩散模型进行开放词汇语义分割的潜力，提出了DiffSegmenter方法，并展示了其在多个数据集上的优越表现。

该文综述开放词汇语义分割研究：OpenSeg利用图像级监督生成掩码，在PASCAL上较LSeg提升19.9个百分点；Self-Seg结合LLM评估器实现无需类别名称的分割；部分方法将预训练视觉-语言模型知识转为分割token，或借助Transformer与图文对预训练提升零样本迁移。LSeg以文本与图像编码器实现零样本分割；PnP-OVSS无需训练；跨模态伪标签框架提升实例分割mAP；CLIP-S4实现无标注多任务分割。

本文介绍了一种名为DiffSegmenter的无需训练的新方法，利用生成式文本到图像条件扩散模型作为高效的开放词汇语义分割器的潜力。该方法通过将输入图像和候选类别输入到预训练条件潜在扩散模型，产生交叉注意力图直接用作分割分数，然后由自注意力图进一步细化和完成分割。实验证明，DiffSegmenter在开放词汇语义分割方面取得了令人印象深刻的结果。

该研究利用预训练的文本-图像判别模型解决开放词汇语义分割挑战，揭示了生成式文本到图像条件扩散模型作为高效的开放词汇语义分割器的潜力，并引入了一种名为DiffSegmenter的无需训练的新方法。在三个基准数据集上的实验证明，DiffSegmenter在开放词汇语义分割方面取得了令人印象深刻的结果。

该研究利用预训练的文本-图像判别模型解决开放词汇语义分割的挑战，提出了一种名为DiffSegmenter的无需训练的新方法。该方法利用生成式文本到图像条件扩散模型作为高效的开放词汇语义分割器，并设计了有效的文本提示和类别过滤机制以增强分割结果。实验证明，DiffSegmenter在开放词汇语义分割方面取得了令人印象深刻的结果。

该研究利用预训练的文本-图像判别模型解决开放词汇语义分割的挑战，揭示了生成式文本到图像条件扩散模型作为高效的开放词汇语义分割器的潜力，并引入了一种名为DiffSegmenter的无需训练的新方法。在三个基准数据集上的实验证明，DiffSegmenter在开放词汇语义分割方面取得了令人印象深刻的结果。

该研究探讨了利用预训练的文本-图像判别模型来解决开放词汇语义分割的挑战，揭示了生成式文本到图像条件扩散模型作为高效的开放词汇语义分割器的潜力，并引入了一种名为DiffSegmenter的无需训练的新方法。在三个基准数据集上的实验证明，DiffSegmenter在开放词汇语义分割方面取得了令人印象深刻的结果。

该研究利用预训练的文本-图像判别模型解决开放词汇语义分割的挑战，揭示了生成式文本到图像条件扩散模型作为高效的开放词汇语义分割器的潜力，并引入了一种名为DiffSegmenter的无需训练的新方法。在三个基准数据集上的实验证明，DiffSegmenter在开放词汇语义分割方面取得了令人印象深刻的结果。