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

我们提出了 AdapterShadow，这是一种用于阴影检测的适应 SAM 模型的方法。我们在 SAM 的冻结图像编码器中插入可训练的适配器，以适应阴影图像，并引入一种新颖的网格采样方法以生成密集的点提示，从而在没有任何手动干预的情况下自动分割阴影。通过在四个广泛使用的基准数据集上进行广泛的实验，我们展示了我们提出方法的卓越性能。

Nov, 2023

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

本文研究了最近发布的 Meta AI Research 的分割模型 SAM 在伪装目标检测任务上的性能，对比了其他 22 种伪装目标检测方法的表现，并提出了构建更强大的 SAM 解决伪装目标检测任务的进一步研究机会。

Apr, 2023

本文提出了一种称为 Med SAM Adapter 的方法，它通过将医学特定领域知识与分析模型进行简单而有效的适应技术的集成，将 SAM 模型的强分割能力扩展到医学图像分割，在多种图像模态下优化 19 项医学图像分割任务，并超过各种已有的基于医学图像分割的最新技术，并与全面优化的 MedSAM 相比有不错的性能优势。

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

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

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

本研究使用少量的用户协助，利用阴影数据和稀疏提示对 Segment anything model 进行微调，再结合长短期注意机制扩展其能力，使其可以用于视频阴影检测，与现有技术相比，实验结果表明，该方法在 MAE 和 IoU 方面分别提高 17.2% 和 3.3%，验证了我们提出方法的有效性。

May, 2023

本论文针对计算机视觉中处理高分辨率输入带来的高昂计算代价提出了使用基于 CNN 检测器结合实例分割进行图像分割的替代方案，实验结果表明该方法仅使用 SAM 作者发布的 1/50 数据集，便可在 50 倍的运行时速下实现与 SAM 方法基本相当的性能。

Jun, 2023