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

本文介绍了一种创新的方法 SAM-helps-Shadow，将分割模型 SAM 用于影子去除，利用零样本学习提高模型在实际场景中的适用性，使用二阶深度展开网络实现影子去除，提高了阴影检测的准确性和效率。

Jun, 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

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

通过消除图像中的阴影同时保留图像细节，Segment Anything (SAM) 模型在图像分割和计算机视觉领域树立了新的基准，但在区分阴影和背景时仍面临挑战。为了解决这个问题，我们开发了 Deshadow-Anything，考虑到大规模数据集的泛化，并对大规模数据集进行微调，实现了图像阴影去除。扩散模型可以沿着图像的边缘和纹理进行扩散，帮助去除阴影并保留图像的细节。此外，我们设计了多自注意引导 (MSAG) 和自适应输入扰动 (DDPM-AIP) 来加速扩散的迭代训练速度。阴影去除任务的实验证明这些方法可以有效提高图像修复性能。

Sep, 2023

基于医学图像的不确定性感知，使用 Uncertainty-aware Adapter 对 Segment Anything Model 进行有效 fine-tuning，实现了新的最先进的医学图像分割方法。

Mar, 2024

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

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

该文讨论使用提示依靠快速学习和收集大规模数据进行目标检测的 Segment anything model (SAM) 是否能够在威胁场景下提供可靠性，发现 SAM 对于多种污染具有显着的鲁棒性，但在受到 PGD 和 BIM 攻击时容易受到影响，因此提出了一系列新任务以提高 SAM 的鲁棒性。

May, 2023