Does SAM dream of EIG? Characterizing Interactive Segmenter Performance using Expected Information Gain

我们介绍了一种交互式分割模型的评估程序。该程序基于贝叶斯实验设计的概念，测量模型对点提示的理解以及它们与所需分割掩模的对应关系。我们证明了Oracle Dice指数测量在衡量这一属性时不敏感甚至具有误导性。我们在两个大型图像分割数据集的三个交互式分割模型和子集上展示了所提出的程序的应用。

论文旨在提出一种评估交互式分割模型的方法，通过测量模型对点提示的理解程度和其与期望分割掩模的对应关系来衡量模型的性能。同时，论文还发现使用Oracle Dice指数来衡量模型性能是不敏感甚至误导性的。

论文提出了一种基于贝叶斯实验设计的评估方法，通过选择最优的点提示，来最大化模型输出的信息量，从而提高模型性能的评估准确性。

论文在三个交互式分割模型和两个大型图像分割数据集的子集上展示了所提出方法的有效性。实验结果表明，所提出方法能够准确地评估模型的性能，与Oracle Dice指数相比具有更高的敏感性和准确性。此外，论文还提供了数据集和代码的开源，为后续研究提供了便利。

在相关研究方面，近期的研究主要集中在交互式分割模型的性能评估方法上，如基于人类专家的评估、基于对比学习的评估等。相关研究论文包括：'Interactive Segmentation with Weak Supervision by Comparing Between Multiple Models'和'Interactive Segmentation with Correction Networks'等。