arxiv: 

分割模型向比较灵活的分割的趋势的转变：封闭到开放，通用到特定、one-shot到交互式。From closed-set to open-vocabulary segmentation，From generic to referring segmentation，From one-shot to interactive segmentation。

图片：

图片提取的特征：

初始化一个可学习的查询向量Qh：

通过Text_Encoder得到文本提示Pt：Text_Encoder（prompt_text）

通过VisualSampler得到，

Pm初始化None，后面结合特征和之前的mask通过MaskedCrossAtt得到：

这样就得到了

相应的提示通过自我注意力与查询交互。可学习查询可以在推理时与所有提示自由交互。

也就是说，一张图片经过一个Img_Encoder得到特征Z；初始化一个可学习的查询Qh，并把它复制三份得到（即object, text and visual queries）三种查询的初始化。然后文本提示用Text_Encoder得到文本提示Pt，Pv通过VisualSampler得到。Pm初始化None，后面结合特征和之前的mask通过MaskedCrossAtt得到。

其中，VisualSampler应该是根据s，即prompt，通过点采样从图像特征中提取相应的区域，然后在这个区域均匀地插值最多512点特征向量。MaskedCrossAtt中，Mp是先前的mask, 而Z是图像特征图。通过这种方式，交叉关注仅在上一个掩码指定的区域内生效。更新后的记忆提示然后通过自我注意与其他提示交互，以传达本轮的历史信息。

得到这些查询、提示和图片特征后，他们自己可以通过注意力机制进行交互，得到，然后再预测mask M和类别 C。

在实践中，用户可以使用不同的或组合的提示类型来表达他们的意图。因此，提示的组合方法对于现实世界的应用是必不可少的。然而，在模型训练过程中，我们面临两个问题。首先，训练数据通常只涵盖单一类型的交互（例如，无、文本、视觉）。其次，尽管我们使用视觉提示来统一所有非文本提示，并将它们与文本提示对齐，但它们的嵌入空间本质上仍然不同。为了缓解这个问题，我们建议将不同类型的提示与不同的输出进行匹配。考虑到视觉提示Pv来自图像特征，而文本提示Pt来自文本编码器，我们通过将视觉提示和文本提示分别与掩码嵌入Omh或类嵌入Och匹配来选择匹配的输出索引：

之前的分割模型，比如SAM的分割是类别不可知的，即class-agnostic，SEEM以零样本的方式为各种提示组合的掩码产生语义标签.

损失函数：

SEEM的伪代码如下：

实验部分：

除了decoder部分，用的X-Decoder框架。