バックボーンのFPNで得られる最も解像度の高い特徴マップも使用した畳み込みによりマスクを段階的に洗練させるSFMと、マスクの境界に着目して補正を行うBARを組み合わせたRefineMaskを提案した。Mask R-CNNをベースラインとして実装を行っている。

COCO、LVIS及びCityscapesのデータセットで精度の評価を行い、オリジナルのMask R-CNNやCVPR 2020採択のPointRendを含む従来手法を上回る結果。

マスクの出力に対象を絞り込んだ一方で、有意な精度向上を示したため通ったと考えられる。MMDetectionをベースとした実装( https://github.com/zhanggang001/RefineMask )が公開されている。