SAM3D 是一个创新的框架，通过利用 RGB 图像中的 Segment-Anything 模型而无需进一步训练或微调，能够在 3D 点云中预测掩模，首先预测具有 SAM 的 RGB 图像的分割掩模，然后将 2D 掩模投影到 3D 点中。最后，两个相邻帧的点云掩模以双向合并的方式进行合并，最终可以将不同帧预测出的 3D 掩模逐渐合并为整个 3D 场景的 3D 掩模，实验结果表明 SAM3D 能够在不需要对 SAM 进行训练或微调的情况下，实现合理和细粒度的 3D 分割结果。

Jun, 2023

我们引入了 SAMPro3D 来进行零样本 3D 室内场景分割，通过将预训练的 Segment Anything Model (SAM) 应用于 2D 帧，在 3D 点云和多个姿态的 2D 帧的基础上对 3D 场景进行分割。我们的关键思想是将场景中的 3D 点作为自然的 3D 提示，对其在帧间的投影像素提示进行对齐，确保像素提示和其通过 SAM 预测的掩码在帧间的一致性。此外，我们建议根据所有 2D 帧的反馈滤除低质量的 3D 提示，以提高分割质量。我们还建议，如果不同的 3D 提示正在分割相同的对象，要进行融合，实现更全面的分割。值得注意的是，我们的方法不需要在领域特定数据上进行额外的训练，从而保留了 SAM 的零样本能力。广泛的定性和定量结果显示，我们的方法始终比先前的零样本或完全监督方法具有更高的质量和更多样的分割性能，在许多情况下甚至超过人类级别的注释。项目页面可以通过此 https URL 访问。

Nov, 2023

介绍了一种用于 3D 多器官 CT 基于分割的新方法，即 AutoSAM Adapter，通过自动提示学习范式来促进 Segment Anything Model（SAM）模型能力向 3D 医学图像分割的转变，从而消除了手动生成提示的需求，并成功将获得的知识传递给其他专门为 3D 医学图像分析量身定制的轻量级模型，实现了在医学图像分割任务上的最先进性能。

Aug, 2023

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

通过采用大规模预训练模型、计算机视觉和 2D 任务，本研究提出了一种新的框架来解决 3D 点云分割任务，通过将 2D 语义分割预测投影到 3D 空间，并引入语义标签融合策略，实现了在扩展的数据集上的 3D 场景理解。

Nov, 2023

本研究提出了一种综合且可扩展的 3D SAM 模型，名为 CT-SAM3D，用于全身 CT 分割，通过使用一个（几乎）完全标记的 CT 数据集，建立了一个 3D 可提示的分割模型。我们的模型可以有效地响应更高维度的空间提示，通过减少大规模器官的交互提示工作量，以较少的点击提示显著提高了所有以前基于 SAM 的模型的定量性能。

Mar, 2024

Segment Anything Model (SAM) 通过使用不同的输入提示（如文本、边界框、点或掩膜）生成掩膜，克服了特定数据集稀缺性的约束，评估了 SAM 在 X 射线 / 红外模态中分割感兴趣对象的能力，结果表明 SAM 在给定盒子提示时可以分割 X 射线模态中的对象，但对于点提示而言，表现不稳定，特别是在分割细长物体和有机材料方面，SAM 的性能较差，这表明在考虑在 X 射线 / 红外图像上使用 SAM 时需要特别考虑跨模态泛化的问题。

Apr, 2024

该研究提出了 SAM-Med3D，对 3D 医学图像进行了全面研究和修正，通过训练在大规模数据集上的全面处理的 3D 体系结构，提供了全面的性能评估。与 SAM 相比，SAM-Med3D 在三维体积医学图像的分割能力和效率上都具有显著的增强。

Oct, 2023

使用 Segment Anything (SAM) 集成 Multiple Instance Learning (MIL) 的 Semantic-Aware Instance Segmentation Network (SAPNet) 有助于解决弱监督分割中 'group' 和 'local' 问题，提高语义匹配能力和基于点提示的实例分割性能。

Dec, 2023

该研究提出了一个用于三维分割的新框架 SA3D，通过密度导向的反渲染将 2D 分割蒙版投影到 3D 蒙版网格，再通过迭代的方式学习准确的 3D 分割结果，实验表明 SA3D 在不同场景下的有效性。

Apr, 2023