Problem

傳統影片物件中心學習（VOCL）方法常試圖強制對齊編碼器的注意力圖與解碼器的物件圖。然而，這種全域對齊會導致編碼器的預測雜訊與解碼器的模糊邊界互相傳播，且點對點的相似度計算具備平方級運算複雜度，嚴重限制了模型處理大規模資料的擴充性。

Method

提出「選擇性協同學習」（Selective Synergistic Learning, SSync），捨棄詳盡的點對點對齊，改採選擇性蒸餾策略：僅利用編碼器精煉物件邊界，並由解碼器負責內部區域去噪。此機制透過線性複雜度的偽標籤技術實現，並引入遞移性偽標籤合併技術，根據時空活化的一致性來整合冗餘的物件槽位。

Results

實驗結果顯示，SSync 顯著改善了物件分解的精確度，且具備極佳的強健性，能適應各種不同的槽位配置。此外，由於其運算效率高，SSync 可作為即插即用的通用模組，輕鬆整合至現有的物件中心學習框架中。

Significance

這項研究解決了無監督影片分割中長期存在的效能與效率矛盾，提供了一種更具擴展性的解決方案，讓模型能在不增加沉重負擔的前提下，獲得更清晰的物件邊界與更準確的表徵能力。