파놉틱 품질 (Panoptic Quality, PQ) 지표는 인스턴스 세그멘테이션 (Instance Segmentation)과 시맨틱 세그멘테이션 (Semantic Segmentation)을 공동으로 평가하는 표준입니다. 그러나 기존의 정의는 예측된 세그먼트 (Segment)와 정답 (Ground Truth) 세그먼트 사이의 일대일 (One-to-One) 매칭에 의존하며, 이는 IoU 임계값 (Threshold)이 0.5를 초과할 때만 명확합니다. 0.5 미만에서는 충분히 탐구되지 않은 문제 공간 내에서 여러 매칭 전략이 나타납니다. 우리는 세그먼트 매칭을 제약 조건이 있는 이분 할당 문제 (Constrained Bipartite Assignment Problem)로 재구성함으로써 이 공간을 체계적으로 규명합니다. 예측 측과 정답 측의 자유도를 독립적으로 제한함으로써 일대일 (One-to-One), 다대일 (Many-to-One), 일대다 (One-to-Many), 다대다 (Many-to-Many)의 네 가지 매칭 전략을 도출합니다. 우리는 처음 세 가지 전략은 PQ 프레임워크 내에서 잘 정의되는 반면, 다대다 (Many-to-Many)는 그 범위를 벗어남을 보여줍니다. 이러한 전략들은 인스턴스가 파편화되거나, 인접한 객체를 구분하기 어렵거나, 어노테이션 (Annotation)에 노이즈가 있는 경우에 유효합니다. 우리 프레임워크의 핵심은 매칭 엣지 (Matching Edges)가 아닌 정답 및 예측 세그먼트에 고정된, TP (True Positive), FN (False Negative), FP (False Positive)의 정점 기반 계산 (Vertex-based accounting)입니다. 나아가 우리는 이 프레임워크가 파트 인식 (Part-aware) 파놉틱 세그멘테이션으로 자연스럽게 확장됨을 보여주며, 생물 의학 데이터 (Biomedical data)에서의 파트 인식 평가를 탐구합니다. 구성 가능한 사례 연구를 통해 임계값과 매칭 전략의 다양한 조합이 실제 환경에서 어떻게 작동하는지 보고합니다. 우리는 Panoptica를 기반으로 구축된 통합 오픈 소스 패키지를 공개합니다. 이 패키지는 보로노이 (Voronoi) 기반의 영역별 분석, 파트 인식 평가, 그리고 임계값 곡선 아래 면적 (Area Under Threshold Curve) 계산을 구성 가능한 옵션으로 제공합니다.