본 논문은 새로운 물체의 인스턴스 분할 문제를 해결하기 위해 훈련이 필요 없는 새로운 프레임워크인 NOCTIS (Novel Object Cyclic Threshold based Instance Segmentation)를 제안합니다. NOCTIS는 사전 훈련된 Grounded-SAM 2와 DINOv2 모델을 통합하여 정확한 바운딩 박스와 분할 마스크를 생성하고, 클래스와 패치 임베딩을 추출합니다. 물체 매칭은 클래스 임베딩 유사도와 패치 임베딩의 평균 최대 유사도를 기반으로 계산되는 물체 매칭 점수와 새로운 순환 임계값(CT) 메커니즘을 사용하여 이루어집니다. CT 외에도 외관 점수, 제안 바운딩 박스와 마스크의 평균 신뢰도를 점수 구성 요소로 사용하며, RGB 전용 파이프라인을 통해 RGB-D 방식보다 더 나은 성능을 달성합니다. BOP 2023 challenge의 7개 주요 데이터셋에서 기존 최고의 RGB 및 RGB-D 방식보다 우수한 평균 AP 점수를 달성함을 실험적으로 보여줍니다.
