AquaSAM 是扩展 Segment Anything Model (SAM) 在水下图像上的成功的首次尝试，用于创建一种多功能的水下目标分割方法。通过对 SUIM 数据集进行自动标签分类和提取，以及通过简化微调方法，AquaSAM 在水下图像分割任务中表现优于默认的 SAM 模型，尤其是在珊瑚礁等难度较高的任务上，平均 Dice Similarity Coefficient (DSC) 提高 7.13%，平均 mIoU 提高 8.27%。

Aug, 2023

针对医学图像中低对比度、模糊边界、复杂形状和小尺寸物体等问题，提出了一种名为 SAMUS 的通用超声图像分割模型，通过引入平行 CNN 分支、位置适配器和特征适配器，使得 SAMUS 在医学图像分割任务中具有更好的泛化能力和更低的部署成本，并在广泛的对比实验中表现出卓越的性能。

Sep, 2023

提出了一种新的名为 MAS-SAM 的特征学习框架，用于海洋动物分割，该框架将有效的适配器整合到 SAM 的编码器中，并构建了一个金字塔解码器，通过与融合注意模块配接，能从全局上下文线索中提取更丰富的海洋信息以及精细的局部细节，并在四个公共 MAS 数据集上进行的广泛实验表明，我们的 MAS-SAM 比其他典型的分割方法能获得更好的结果。

Apr, 2024

为了提高水下抓取效率，我们标记并建立了第一个真实场景的水下语义分割数据集 (DUT-USEG:DUT Underwater Segmentation Dataset)，并基于此数据集提出了一个重点关注边界的半监督水下语义分割网络 (US-Net: Underwater Segmentation Network)，通过设计伪标签生成器和检测子网，实现了水下物体与背景之间边界的精细学习，并改善了边缘区域的分割效果，实验表明该方法在 DUT-USEG 数据集中的三类动物物种 (海葵，海胆和海星) 上提高了 6.7％的性能，达到了最先进的结果。

Aug, 2021

基于深度学习中内在的低秩结构，我们提出了一种创新的方法，通过自适应微调 Segment Anything Model (SAM) 来实现显著目标检测，通过在五个具有挑战性的 RGB 基准数据集上进行全面的定性和定量评估，证明了我们方法的卓越性能，超越了最先进的方法。

Aug, 2023

本文介绍了第一个大规模的海底图像语义分割数据集 SUIM，包含八个对象类别的 1500 多张图像像素注释，并介绍一个性能和计算效率平衡的全卷积编码解码模型 SUIM-Net 以及其在海底机器人视觉引导方面的应用。

Apr, 2020

通过输入「Segment Anything Model」（SAM）的简单提示框，并将 SAM 的结果输出作为 IS5Net 的输入，可以极大地提高高精度的二元图像分割的效果。

Dec, 2023

本研究介绍了一种用于自动化少样本语义分割的结构化框架，利用 Segment Anything Model（SAM）模型，并借助先前引导的掩模生成粗略像素级提示，以获得更高效的语义可辨别分割结果，实验证明该方法在 DLRSD 数据集上优于其他可用的少样本方法。

Nov, 2023

UVOSAM 是一种新的无监督视频对象分割范例，利用 Segment Anything Model 和视频显著对象跟踪网络来生成显着前景对象的轨迹作为提示来对每一帧视频进行对象分割。实验结果显示，UVOSAM 显著优于当前基于标记方法的分割方法。

May, 2023

本文探讨如何利用 Segment Anything Model (SAM) 技术进一步提高医学图像的显著性图测试准确性，同时可以泛化到不需要人类注释的测试方法，并研究 SAM 在医学领域中的应用和挑战，这包括图像预处理，自然语言建议以及 SAM 在多个医学成像数据集上的准确性。

Jun, 2023