深度神经网络已成为交互式图像分割的主流方法。如我们在实验中所展示的，对于某些图像，经过训练的网络仅需少量点击即可提供准确的分割结果；然而，对于一些未知物体，即便输入大量用户交互信息，仍难以获得令人满意的结果。近期提出的反向传播精炼（Backpropagating Refinement, BRS）方法引入了一种针对交互式分割的优化框架，在处理困难样本时显著提升了性能。然而，BRS需要对深度网络进行多次前向与反向传播，导致每次点击的计算开销显著高于其他方法。为此，我们提出 f-BRS（特征反向传播精炼方案），该方法将优化问题转化为对辅助变量的求解，而非直接作用于网络输入，并仅需对网络的局部小部分进行前向与反向传播。在GrabCut、Berkeley、DAVIS和SBD等多个数据集上的实验表明，f-BRS在保持更高分割精度的同时，相比原始BRS实现了数量级降低的单次点击耗时，达到了新的最先进水平。相关代码与训练好的模型已开源，详见：https://github.com/saic-vul/fbrs_interactive_segmentation。