지속적인 이미지 분할에서 기존 클래스 지식의 치명적 망각, 새로운 클래스 목표 표현 부족 및 작업 진행에 따른 배경 의미의 동적 편향 문제를 해결하기 위해, 본 논문에서는 클래스 증분 시나리오를 위한 프로토타입 정렬 기반 지속 이미지 분할 방법(Prototype-Aligned Incremental Segmentation, PAIS)을 제안한다. 이 방법은 객체 수준 표현 안정성 관점에서 지속 학습 과정 중 디코더 측 객체 쿼리의 초기화, 진화 및 과거 의미 보상을 통합 모델링한다. 본 방법은 세 가지 핵심 모듈을 포함한다: 프로토타입 인식 초기화(Prototype-Aware Initialization, PAI)는 현재 특징 맵에서 의미적 반응이 뚜렷한 위치를 선택하여 객체 쿼리를 생성하고, 모델의 새로운 클래스 모델링 능력을 향상시킨다; 시계열 일관성 학습(Temporal Consistency Learning, TCL)은 인접 학습 단계 간 주요 의미 위치 및 반응 분포의 일관성을 제약하여 특징 이동으로 인한 객체성 저하를 완화한다; 범주 인식 메모리(Category-Aware Memory, CAM)는 대량 이미지 재생에 의존하지 않고도 기존 클래스 유지 능력을 향상시키는 촘촘한 범주 수준 메모리 표현을 유지한다. ADE20K 데이터셋에서의 지속적 파노라마 분할 및 지속 의미 분할 실험 결과, PAIS는 다양한 작업 설정, 데이터 분할 및 입력 시퀀스에서 ECLIPSE, BalConpas, CoMFormer 등 대표적 방법보다 우수한 성능을 보였다; 150개 범주를 포함한 주석 데이터셋에서 PQ 지표가 6.75% 향상되었으며 저장 요구량은 약 10배 감소했다. 실험 결과는 PAIS가 새로운 클래스 학습 능력, 기존 클래스 유지 능력 및 저장 효율성 간에 균형을 잘 이룰 수 있음을 보여준다.

지속 이미지 분할;프로토타입 정렬;시계열 일관성 학습;범주 인식 메모리;파노라마 분할