该研究报告使用可提醒的通用物体分割模型（segment anything model，SAM）在一个未被发掘的流行任务中 —— 阴影检测中进行测试，不满意的实验结果表明 SAM 在此任务方面表现不佳。

May, 2023

通过使用简单而有效的适配器将特定领域信息或视觉提示集成到分割网络中，我们的实验表明，SAM-Adapter 可以显着提高 SAM 在具有挑战性的任务中的性能，并且在我们测试的任务中甚至可以胜过专门的网络模型，并达到最先进的性能：伪装目标检测和阴影检测。

Apr, 2023

对 Segment Anything Model 在隐蔽场景中的表现进行评估，研究发现其存在技能不足的问题。

Apr, 2023

提出了一种新的方法，即 SAM 传播模块（SAM-PM），通过采用时空交叉注意机制在 SAM 中实施时间一致性，将时间一致性和领域专业知识有效地融入分割网络，只增加了不到 SAM 参数的 1％，与最新的最先进技术相比，在 VCOD 基准测试中实现了显著性能改进。

Jun, 2024

Meta AI Research 发布了基于超过 10 亿掩模的大型分割数据集训练的 SAM 模型，尽管 SAM 在诸多领域具备强大的能力，但我们的经验评估表明该模型存在在透明物体场景中无法检测的问题。特别是在含有各种形式的玻璃的安全关键情况下，部署 SAM 可能存在风险。

Apr, 2023

研究了针对视觉任务开发的第一个基础模型，称为 Segment Anything Model（SAM）。SAM 可以基于便宜的输入提示，如一个或多个点、边界框或掩码，在输入的图像中分割对象。作者在大量的视觉基准任务中研究了 SAM 的零样本图像分割准确性，并发现 SAM 通常实现了与目标任务上进行了训练的视觉模型类似或有时超过其识别精度。他们检查了 SAM 在多样化、广泛研究的基准任务集上的表现。然而，作者还研究了 SAM 在航空图像问题中的表现，他们发现虽然 SAM 在航空图像上通常表现良好，但在某些情况下由于航空图像和目标对象的独特特征而失败。

Apr, 2023

本文旨在对 SAM 在声纳成像上的表现进行全面研究，并通过启发式方法的微调和语义分割，扩展其自动分割任务的适用性。结果表明，经过微调的 SAM 的性能有了显著提高。

Jun, 2023

这篇研究论文讨论了 Segment Anything Model 在各个领域的表现及其未来发展前景，并提供了有助于未来研究活动的洞见，以完成通用分割任务。

Apr, 2023

本研究通过建立 Rank-Net 模型，结合 camouflaged object detection 技术和 conspicuousness 的概念，来探讨动物进化中的 Camouflage 技术，并提出一个可以定位、分割和排名 Camouflaged 目标的方法。实验结果表明，该模型取得了新的最先进水平，使 Camouflaged 目标的检测更具可解释性。

Mar, 2021

本研究探索了 Meta AI 发布的 Segment Anything 模型（SAM）在几个具有挑战性的任务中的应用，并发现对于小型和拥挤的对象而言，其在少样本目标计数方面表现不足，需要进一步微调。

Apr, 2023