生成通用分割模型可以从各种提示（包括视觉和文本提示）中生成语义分割掩码，作者提出了一种生成与提示无关的对抗性攻击方法，通过在潜空间中最大化原始图像和扰动图像的编码之间的 L2 距离来扰乱各种提示下分割掩码。该攻击能在几乎无法察觉到的篡改下改变最新的分割模型对于点、框和文本提示的掩码预测，并探索了创建通用攻击的可能性，即能够直接应用于任何输入而无需进一步的计算成本。

Nov, 2023

该研究旨在对 SAM 进行有针对性的对抗攻击，提出了一种仅攻击图像编码器的简单且有效的方法，并提出了一种新的正则化损失以增强不同模型之间的特征传递性，通过增加对随机自然图像的特征占优势来进行黑盒对抗攻击。

Oct, 2023

利用基于 Vision Transformer (ViT) 的基础模型和无监督聚类生成方案，构建了一个图像分割框架，将其应用于实时孔隙分割，并在没有监督微调的情况下获得较高的骰子相似系数 (DSC)，从而实现了轻量级模型推理和无监督提示生成，旨在革新当前基于激光的增材制造流程，促进无缺陷生产和运营效率，并实现工业 4.0 的转型。

Dec, 2023

通过对城市道路仪表盘图像应用恶劣天气条件和雨滴，测试了细分任何模型在多个挑战性任务中的影响，通过诸多测试方法和分析表明需要加强图像细分基础模型的安全措施。

Apr, 2024

该研究论文提出了一种更实用的区域级攻击方法，攻击者不需要了解精确的用户提示，通过对图像中目标对象上的任意点进行点击，以隐藏对象并使其不受 Segment Anything Models（SAM）的干扰，同时通过谱变换方法使攻击更具可迁移性，控制实验和对真实世界中的 SAM 服务进行的测试证实了其有效性。

Apr, 2024

本篇论文探究如何通过生成普遍的对抗扰动，使卷积神经网络的语义图像分割结果变为预设的结果，同时还研究了去除语义图像中某个目标类别的扰动。

Apr, 2017

研究了如何使用自我监督对比学习来生成一种基于锚定样本的普适性对抗扰动，以攻击 Segment Anything Model（SAM）。验证了该方法的有效性并探讨了正负样本在生成 UAP 时的作用。

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

本文提出了 Anything-3D 框架，采用了一系列视觉语言模型和 Segment-Anything 对象分割模型来实现从单个 RGB 图像到 3D 重建的任务，并通过实验验证了其有效性和可靠性。

Apr, 2023

本研究旨在探讨通过利用弱标签作为暗示来生成准确的分割掩码，并将其作为趋近于真实标签的伪标签来训练分割网络中的潜力。在 PASCAL VOC 2012 数据集上的实验证明了 segment-anything 可以作为良好的伪标签生成器。

May, 2023