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

通过将光流与Segment Anything模型(SAM)结合，本文研究了两种模型，一种使用光流作为输入，另一种使用RGB作为输入，这两种简单的方法在单个和多个物体分割基准测试中，凭借其出色的性能超过了所有先前的方法，同时还将这些基于帧的分割扩展到了保持对象身份的序列级分割。

Apr, 2024

本研究解决了SAM2在无提示自动模式下对图像中不同物体的感知能力下降的问题。通过研究伪装物体检测这一挑战性任务，文章提出了一种新的评估方法，以期激发研究者对SAM模型家族的进一步探索。研究结果显示，尽管SAM2在视频和图像分割方面有显著提升，其在特定应用上的局限性仍值得关注。

Jul, 2024

本研究解决了在手术视频中缺乏标注数据和手术类型多样性导致的手术工具分割问题。我们采用了Segment Anything Model 2（SAM 2）进行零样本分割，其在不同手术类型视频中的性能展现了其有效性和适用性。研究结果表明，SAM 2在手术视频中表现出色，但在新工具出现时需额外提示以保持分割精度，同时手术视频的特性会影响其稳定性。

Aug, 2024

本研究解决了当前分割基础模型在医学数据中应用的不明确性，全面基准测试了Segment Anything Model 2（SAM2）在11种医学图像和视频中的性能。通过转移学习管道，显示出SAM2能够快速适应医学领域，并实现了其作为3D切片插件和Gradio API的高效部署，为医学图像和视频分割提供了新的解决方案。

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

本研究针对视频物体分割（VOS）任务中存在的挑战，提出了Segment Anything Model 2（SAM 2），该模型通过用户交互构建数据引擎，从而收集了迄今为止最大的分割数据集。研究结果表明，SAM 2在无需微调的情况下，在更具挑战性的VOS数据集MOSE和LVOS上表现出色，取得了75.79的J

Aug, 2024

本研究探讨了现有的分割基础模型在处理生物医学图像和视频方面的应用，尤其聚焦于SAM2模型的适用性和局限性。通过适应和微调，研究指出SAM2在不同数据集和任务中的表现存在差异，但在减少注释负担和实现零-shot分割方面展现出潜力。该工作强调了填补自然与医学图像领域差距的重要性，促进了临床应用的发展。

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

本研究针对Segment Anything Model 2 (SAM 2) 在复杂长视频分割中存在的“误差累积”问题，提出了一种改进的无训练视频对象分割方法SAM2Long。此方法通过对每帧的分割不确定性进行考虑，以约束树搜索的方式从多个分割路径中选择视频级的最优结果，从而有效提升了对复杂长视频的分割和跟踪能力。

Oct, 2024