本研究提出了一种创新方法，将 Segment Anything Model（SAM）与投票网络相结合，用于多模态脑胶质瘤分割，并通过使用边界框指导提示（SAMBA）来适应非洲数据集的复杂性。我们的集成策略利用多种模态和视图，产生了一个稳健的共识分割，解决了肿瘤内部异质性问题。虽然扫描质量低提出了困难，但我们的方法有潜力在非洲等资源有限的环境中深远影响临床实践，改善治疗决策并推动神经肿瘤学研究。此外，未来成功应用于其他脑肿瘤类型和病变有望在神经影像学上带来更广泛的转变，改善所有环境下的医疗结果。该研究在脑肿瘤分割（BraTS）挑战非洲（BraTS-Africa）数据集上进行，该数据集为解决特定于资源有限环境，特别是非洲人口的挑战，促进了有效和更具一般性的分割算法的发展提供了宝贵资源。为了说明我们的方法的潜力，我们在 BraTS-Africa 数据集上的实验证明了令人信服的结果，其中 SAM 在二元分割和多类别分割上的 Dice 系数分别为 86.6 和 60.4。

Dec, 2023

通过引入 Semantic-SAM，我们提出了一种通用的图像分割模型，能够以任意所需的细粒度对任何物体进行分割和识别，具备语义感知和细粒度丰富性，实验证明我们的模型成功实现了语义感知和细粒度丰富性。

Jul, 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

通过将 Segment Anything Model (SAM) 的伪标签作为辅助来增强半监督医学图像分割的学习过程，能够显著提升现有的半监督框架在极为有限的标注图像情况下的性能。

Dec, 2023

提供了一种在未标记数据上进行用户定义粒度层次的语义分割的方法，通过累积全局语义信息并学习映射函数，使得带有粒度调整的语义识别的 Segment Anything Model（SAM）能够用于像素级语义注释，实验结果在 PASCAL VOC 2012 和 COCO-80 数据集上分别比现有最先进方法的 mIoU 提高了 17.95% 和 5.17%。

Dec, 2023

给定零样本分割技术基础模型，我们提出了 “语义增强” 的概念，通过指导分割过程并调整结果以适应特定领域的期望，实现了最佳分割技术的快速适应。我们将语义增强应用于 Segment Anything Model（SAM）以获取透射电子显微镜的微观结构分割，通过提取各种中间掩模的几何和纹理特征进行掩模去除和掩模合并操作，结果在三个难度类别的图像上相对于原始的 SAM（ViT-L）分别获得了平均 IoU 增加 21.35%、12.6%、5.27% 和平均假阳性掩模降低 9.91%、18.42%、4.06%。

Apr, 2024

本文对 Segment Anything Model 在医学图像中的效果进行了评估，结果表明性能受任务和数据集影响较大，需要进一步研究来适应医学图像领域。

Apr, 2023

通过结合基于 SfM 的 SAM 模型将视频中的目标进行分割和跟踪的方法，提出一种减少手动注释工作量的视频对象跟踪系统。系统性能经过计算时间、与手动标签的掩码 IOU 和跟踪损失数量等三个指标的评估，结果表明该系统在跟踪视频帧中的物体方面较人工表现有显著计算时间改善，但在性能上存在一定程度的退化。

Oct, 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

我们旨在开发一个适用于摄影应用的 SAM 模型的版本。SqueezeSAM 模型体系结构在性能和模型尺寸上相比原模型具有更高的效果，我们使用显著性物体检测生成初始分割掩码，用户可以进行交互编辑，并通过引入新的数据增强方案来实现期望点击相关物体的整体分割。

Dec, 2023