本文研究了最近发布的 Meta AI Research 的分割模型 SAM 在伪装目标检测任务上的性能，对比了其他 22 种伪装目标检测方法的表现，并提出了构建更强大的 SAM 解决伪装目标检测任务的进一步研究机会。

Apr, 2023

通过使用简单而有效的适配器将特定领域信息或视觉提示集成到分割网络中，我们的实验表明，SAM-Adapter可以显着提高SAM在具有挑战性的任务中的性能，并且在我们测试的任务中甚至可以胜过专门的网络模型，并达到最先进的性能：伪装目标检测和阴影检测。

Apr, 2023

该研究报告使用可提醒的通用物体分割模型（segment anything model，SAM）在一个未被发掘的流行任务中——阴影检测中进行测试，不满意的实验结果表明SAM在此任务方面表现不佳。

May, 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

提出了一种新的方法，即SAM传播模块（SAM-PM），通过采用时空交叉注意机制在SAM中实施时间一致性，将时间一致性和领域专业知识有效地融入分割网络，只增加了不到SAM参数的1％，与最新的最先进技术相比，在VCOD基准测试中实现了显著性能改进。

Jun, 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 2在处理复杂的低级分割任务上的局限性，提出了SAM2-适配器，这是首个旨在解决这些问题的适配器。研究表明，SAM2-适配器在医学图像分割、伪装物体检测和阴影检测等下游任务上达到了新的最先进结果，显著提高了模型的通用性和组合能力。

Aug, 2024

本研究解决了在计算机视觉中自动分割对象的精确性和效率不足的问题。通过扩展Segment Anything Model（SAM）至视频，SAM 2利用前后帧的记忆生成准确的全视频分割，提供近实时性能。该工作显示出SAM的演变以及未来在计算机视觉技术改进中的重要性。

Aug, 2024

本研究解决了Segment Anything 2（SAM2）在复杂低级图像分割任务（如伪装物体和医学成像）中的局限性。我们提出SAM2-适配器，这是首个针对SAM2设计的适配器，克服了这些限制并在下游任务中实现了新的最先进成果。实验结果表明，SAM2-适配器具有更强的通用性和组合性，能显著提高图像分割效果。

Aug, 2024

本文针对Segment Anything Model 2（SAM2）在类别无关实例级分割任务中的表现进行了评估，填补了现有研究中的评测空白。通过采用不同的提示策略，研究揭示了SAM2在显著实例分割、伪装实例分割和阴影实例检测等场景中的性能差异以及对高分辨率结构分割的局限性。结果显示，SAM2的表现具有场景依赖性，提出利用SAM2适配器以提升大规模视觉模型在该领域的性能上限的建议。

Sep, 2024