【CVPR2025】Mamba 作为桥梁：连接视觉基础模型与视觉语言模型以实现领域泛化语义分割

视觉基础模型（Vision Foundation Models, VFMs）和视觉语言模型（Vision-Language Models, VLMs）凭借其强大的泛化能力，近年来在领域泛化语义分割（Domain Generalized Semantic Segmentation, DGSS）任务中受到广泛关注。然而，现有的 DGSS 方法通常仅依赖 VFMs 或 VLMs 中的一种，忽视了它们之间的互补优势。以 DINOv2 为代表的 VFMs 擅长捕捉细粒度特征，而如 CLIP 等 VLMs 则在文本对齐方面表现优异，但往往难以处理粗粒度语义。

尽管 VFMs 和 VLMs 具备互补能力，但将两者有效融合仍具有挑战性，特别是在注意力机制中，因 patch tokens 数量增多而导致长序列建模难度增加。为此，我们提出了 MFuser，一种基于 Mamba 的新型融合框架，可高效整合 VFMs 与 VLMs 的优势，同时在序列长度上保持线性可扩展性。 MFuser 主要包括两个关键组件： * MVFuser：作为协同适配器（co-adapter），用于联合微调两种模型，同时捕捉序列与空间动态信息； * MTEnhancer：一种融合注意力机制与 Mamba 的混合模块，通过引入图像先验对文本嵌入进行增强。

我们的方法在实现精确特征定位的同时，也保持了强文本对齐能力，且不会引入显著的计算开销。大量实验表明，MFuser 在多个基准测试上显著优于现有的 DGSS 方法：在合成到真实（synthetic-to-real）场景中达到 68.20 mIoU，在真实到真实（real-to-real）场景中达到 71.87 mIoU。 项目代码已开源，地址为：

👉 https://github.com/devinxzhang/MFuser