CLIPSeg 模型通过结合 CLIP 的视觉-语言对齐能力,实现了无需特定标注数据的零样本图像分割。该架构将文本提示直接映射到像素级预测,显著降低了分割任务对大规模人工标注的依赖。
Zero-shot image segmentation with CLIPSeg