本文介绍了一种基于前向传递的点击交互式分割模型，无需额外的优化技巧即可实现最新的最佳结果，并且对于性能的分析表明，使用COCO和LVIS的训练数据集所训练的模型表现最佳。

Feb, 2021

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

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

该文通过第一次全面调查介绍了受到重大关注的Meta AI Research开发的Segment anything model（SAM）的性能表现和多种应用情况，并呼吁读者对该模型进行新的研究以促进其进一步发展。

May, 2023

我们介绍了一种新颖的范式及其第一个模型：自动与交互式分割模型（AI-SAM）。在这个范式中，我们对提示品质进行了全面分析，并引入了创新的自动与交互式提示器（AI-Prompter），它在自动生成初始点提示的同时接受额外的用户输入。我们的实验结果证明了AI-SAM在自动设置下的有效性，实现了最先进的性能。更重要的是，它提供了灵活性以整合额外的用户提示，从而进一步提升性能。项目页面可在链接提供的URL中找到。

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

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

本研究解决了现有分割模型在处理提示信息与图像结合时的低效和信息提取不足的问题。提出的SAM-REF框架通过两阶段的细化过程，实现了图像与提示的全局和局部有效整合，结合了早期结合的精确性与晚期结合的高效性。实验结果表明，该方法在复杂场景的多次交互中表现出卓越的有效性和高效性，超越了当前的先进模型。

Aug, 2024

本研究针对现有交互分割模型在图像与提示有效结合上的不足，提出了一种全新的SAM-REF双阶段精炼框架。通过将图像和提示的全局与局部信息进行高效整合，研究显示该方法在复杂情况下的分割质量优于当前最优模型，且保持了高效性。

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