Vision Banana通过逐类推理与颜色编码实现实例分割：按指令中明确指定的RGB值生成对应类别像素，不预设实例数量，无需后处理聚类，支持嵌套指令与分步细化，将分割转化为条件生成任务。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Vision Banana 做实例分割不靠传统检测框或掩码头，而是用“逐类推理 + 颜色编码”方式实现——它不预设实例数量，也不依赖后处理聚类，关键在于把每个类别的输出严格绑定到指定RGB值，并通过指令控制生成逻辑。
Per-class 推理策略：指令驱动的类别显式生成
模型本身不自动枚举图中所有实例，而是按用户提示中明确列出的类别，逐一生成对应颜色区域。比如输入指令“猫用黄色(255,255,0)，狗用青色(0,255,255)，背景用黑色”，模型就只生成这三类像素，不会多画一个未提及的“鸟”或“椅子”。
- 每轮推理聚焦一个语义类别，避免跨实例混淆
- 颜色值必须在Prompt中明确定义，不能仅写“用红色”，需给出精确RGB三元组
- 支持嵌套指令，如“先标出所有滑板（#FF8C00），再单独高亮其中破损的（#FF0000）”，实现分层实例识别
颜色聚类不是后处理，而是前向可逆编码
所谓“聚类”，在这里不是对输出图像做k-means或超像素分割，而是利用RGB通道的物理可解码性——每个颜色代表唯一语义或实例ID，且映射关系是线性、可逆、无歧义的。
Google Veo 3.1
下载
Veo 3.1增强了音频生成能力、提示词理解能力和角色一致性控制。支持多参考图生成、场景扩展（Scene Extension）、更长视频制作以及更精准的镜头控制，同时提升了画面真实感和叙事能力。是当前 Google 主推的旗舰视频生成模型。
- 语义分割用固定颜色表，如(255,0,0)→人，(0,255,0)→车，(0,0,255)→树
- 实例分割可用连续色阶编码ID，例如将第n个猫实例映射为(0, n×10 mod 256, 0)，只要n＜25
- 输出图可直接用OpenCV查表还原，无需训练额外聚类器
应对未知实例数的关键设计
传统实例分割模型常因预测头容量固定而漏检或多检。Vision Banana绕开这个问题：它不预测“有多少个”，而是响应“你要哪几个”。实际使用中更灵活也更可控。
- 若需全量实例，可在Prompt中写“图中所有可见动物，每只用不同纯色区分”——此时模型会自主分配互斥RGB值
- 若只需特定目标，直接限定类别+颜色，省去NMS和置信度阈值调参
- 对遮挡严重场景，可叠加多轮Prompt：“先标前景猫，再标被遮挡的后腿轮廓（用半透明灰度）”，实现分步细化
这套机制把分割从“判别建模”转向“条件生成”，不依赖边界框先验，也不依赖掩码形状归纳，真正让语言指令成为分割意图的直接接口。
