稳定分段设定模型
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
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
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
对 Segment Anything Model 模型进行了全面的鲁棒性研究,发现它在面对多种图像扰动时的性能普遍下降,在特定数据集上定制提示技巧和利用领域知识,可以提高模型的弹性和解决数据集特定的挑战,为实际应用提供更健壮和多功能的图像分割解决方案。
May, 2023
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
我们提出了一种强大的微调技术,PP-SAM,通过有限的图像使 SAM 适应息肉分割任务,实验结果显示,在推理过程中使用 50 像素扰动的 1-shot、5-shot 和 10-shot PP-SAM 的 DICE 分数分别超过了最新的多项式分割方法 26%、7% 和 5%,推动了 PP-SAM 在其他具有有限样本的医学成像任务中的广泛适用性。
May, 2024
本文探讨了将 Segment Anything Model(SAM)应用于视频对象跟踪和分割任务的潜力,通过使用多种 prompt 和引入基于点的优化阶段,实现了在三个数据集上对比性能相当的视频对象 / 实例分割任务,该方法为基于 SAM 的后续应用赋予了跟踪能力。
Mar, 2024
Segment Anything Model (SAM) 通过使用不同的输入提示(如文本、边界框、点或掩膜)生成掩膜,克服了特定数据集稀缺性的约束,评估了 SAM 在 X 射线 / 红外模态中分割感兴趣对象的能力,结果表明 SAM 在给定盒子提示时可以分割 X 射线模态中的对象,但对于点提示而言,表现不稳定,特别是在分割细长物体和有机材料方面,SAM 的性能较差,这表明在考虑在 X 射线 / 红外图像上使用 SAM 时需要特别考虑跨模态泛化的问题。
Apr, 2024
提出了一种名为 HQ-SAM 的模型,该模型在保持 Segment Anything Model(SAM)原始 zero-shot 设计,高效性和推广性的同时,赋予 SAM 精确切分任何对象的能力,通过深度融合输入的不同特征并引入可学习的高质量输出 Token,有效提高了遮罩细节。在多种下游任务的 9 个不同分割数据集中展示 HQ-SAM 的有效性,其中有 7 个采用了零 - shot 转移协议进行评估。
Jun, 2023