通过引入一种新型的提示驱动适配器（PA-SAM）到 Segment Anything Model (SAM) 中，提高了原始 SAM 的分割掩模质量，通过在稀疏和密集提示级别上优化面罩解码器功能，从图像中提取详细信息，实验结果表明 PA-SAM 在高质量、零样本和开放集分割方面优于其他基于 SAM 的方法。

Jan, 2024

使用 Segment Anything Model（SAM）为基础，本论文介绍了 Hi-SAM，一个利用 SAM 进行分层文本分割的统一模型，能够在四个层次（笔画、词、文本行和段落）上实现文本分割并进行布局分析。

Jan, 2024

本文提出了一种称为 PerSAM 的、无需训练的个性化方法，该方法首先通过位置先验定位目标概念，然后通过三种技术 - 目标引导注意力、目标语义提示和级联后处理在其他图像或视频中对其进行分割，有效地适应 SAM 的私人使用。此外，我们还提出了一种高效的单次微调变体，PerSAM-F，以缓解掩模的歧义。我们构建了一个新的分割数据集 PerSeg，并在具有竞争性的性能的视频对象分割上测试了我们的方法。

May, 2023

HQTrack 是一个面向视频的高质量跟踪框架，主要由视频多目标分割器（VMOS）和掩模细化器（MR）组成，通过 VMOS 将物体掩模传播到当前帧，并利用预训练的 MR 模型来进一步提高跟踪掩模的质量。在 Visual Object Tracking and Segmentation（VOTS2023）挑战中，HQTrack 在不使用任何技巧的情况下，以第二名的成绩取得了显著的效果。

Jul, 2023

介绍了 Segment Anything (SA) 项目 —— 一项新的任务、模型和图像分割数据集，该模型具有任务迁移和零样本学习的能力，并通过大规模数据集的训练，达到或超过以前完全监督结果的性能，旨在为计算机视觉的基础模型研究提供支持。

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

介绍了一种适用于医学图像的无提示适应性分割模型 H-SAM，并通过两阶段层次解码程序实现有效的细化调整，以提高其在医学图像分割中的性能。

Mar, 2024

RobustSAM 是一种改进的 Segment Anything Model (SAM) 方法，通过增强 SAM 在低质量图像上的性能，同时保持其可提示性和零样本泛化能力。其在各种分割任务和数据集上的广泛实验证实了其卓越性能，特别是在零样本条件下，在广泛的现实世界应用中具有巨大的潜力。

Jun, 2024

通过使用多分辨率补丁，在保留原始提示驱动设计、高效性和零时适应性的同时，使用精确的对象分割功能增强了 SAM，解决了现有的医学 SAM 在全尺度图像的多尺度本质上并不适用的限制。

Mar, 2024

通过学习可变形偏移对图像特征进行采样来提高 Segment Anything Model (SAM) 在各种情况下的分割稳定性，并验证了该方法的有效性和优势，从而使其成为更加稳健的分割解决方案。

Nov, 2023