# PANC: Prior-Aware Normalized Cut via Anchor-Augmented Token Graphs

### 저자

Juan Gutierrez, Victor Gutierrez-Garcia, Jose Luis Blanco-Murillo

### 💡 개요

본 논문은 자기 지도 비전 트랜스포머(ViT) 패치를 활용한 비지도 학습 기반 분할의 강건성 부족 문제를 해결하기 위해 Prior-Aware Normalized Cut (PANC) 방법을 제안합니다. PANC는 사전 정보(prior) 토큰을 전경/배경 앵커에 연결하여 앵커 확장 일반화 고유값 문제를 형성하고, 이를 통해 저주파수 분할을 목표 클래스로 유도하면서 전역 스펙트럼 구조를 유지합니다. 사전 정보를 활용한 고유 벡터 방향 설정 및 임계값 처리를 통해 안정적인 마스크를 생성하며, 제안된 방법은 DUTS-TE, DUT-OMRON, CrackForest 데이터셋에서 기존 방법 대비 mIoU 성능 향상을 보였습니다.

### 🔑 시사점 및 한계

- 사전 정보(prior)를 활용하여 비지도 분할의 정확도와 강건성을 효과적으로 향상시킬 수 있습니다.

- 앵커 토큰 그래프를 통해 저주파수 분할을 제어하면서도 전역적인 스펙트럼 구조를 보존하는 새로운 접근 방식을 제시합니다.

- 다양한 데이터셋에서 기존 비지도 및 약지도 방법 대비 우수한 성능을 입증했으며, 특히 저의미론적 이미지 분할에서 큰 개선을 보였습니다.

- 제안된 방법의 학습 과정이 없는(training-free) 특성은 데이터 효율성을 높이지만, 사전 정보의 품질 및 앵커의 선택이 최종 분할 결과에 미치는 영향에 대한 추가적인 연구가 필요할 수 있습니다.

[PDF 보기](https://arxiv.org/pdf/2602.06912)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).