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

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

该论文介绍了一种名为MobileSAM的轻量级SAM模型，其将重量级图像编码器替换为轻量级图像编码器，并且使用解耦蒸馏技术来训练模型，以便在移动设备上使用，相对于FastSAM，MobileSAM模型可缩小7倍且速度快4倍。

Jun, 2023

基于大规模Transformer模型的SAM模型制约了其在广泛现实应用中的计算成本。为解决这个问题，我们提出了轻量级SAM模型EfficientSAMs，借助图像预训练方法SAMI，通过SAM图像编码器重建特征进行视觉表征学习，并在SA-1B上微调模型，实现对图像分类、对象检测、实例分割和语义对象检测等多个视觉任务的评估。结果显示，SAMI方法在面向零样本实例分割等任务上，我们的EfficientSAMs表现优于其他快速SAM模型，达到显著增益（例如，在COCO/LVIS上的AP提高了约4个点）。

Dec, 2023

为了在资源受限的移动设备上实现实时分割任何物体，本文使用了RepViT-SAM模型，代替了SAM中的重型图像编码器，得到了具有显著改进的零样本迁移能力和近10倍更快推理速度。

Dec, 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

提出了一种TinySAM模型，通过知识蒸馏、后训练量化和分层分割策略，在保持零样本性能的同时大幅度减少了计算成本，进一步推动了高效分割任务的发展。

Dec, 2023

FocSAM通过Dynamic Window Multi-head Self-Attention和Pixel-wise Dynamic ReLU的优化来提高Segment Anything Model (SAM)在交互式分割方面的性能，使其与现有的分割质量最先进的方法相匹配，但只需使用该方法推理时间的约5.6%。

May, 2024

本研究针对图像和视频中的可提示视觉分割问题提出了Segment Anything Model 2（SAM 2），构建了一个用户交互的数据引擎，以收集迄今为止最大的video segmentation数据集。通过使用我们的模型，视频分割的准确性显著提高，且交互次数减少到以前方法的三分之一，展现出在图像分割方面比之前的模型更快和更精准的处理能力。

Aug, 2024

本研究针对Segment Anything Model（SAM）在图像分割任务上的高计算和资源需求问题，提出了一种高效的变体综述，以解决在资源有限环境下的部署挑战。通过对各类加速策略的深入分析，本论文提供了对这些高效变体的统一评估，揭示了其效率与准确性的比较，为后续研究提供了重要参考。

Oct, 2024