这篇研究论文讨论了Segment Anything Model在各个领域的表现及其未来发展前景，并提供了有助于未来研究活动的洞见，以完成通用分割任务。

Apr, 2023

研究了针对视觉任务开发的第一个基础模型，称为Segment Anything Model（SAM）。SAM可以基于便宜的输入提示，如一个或多个点、边界框或掩码，在输入的图像中分割对象。作者在大量的视觉基准任务中研究了SAM的零样本图像分割准确性，并发现SAM通常实现了与目标任务上进行了训练的视觉模型类似或有时超过其识别精度。他们检查了SAM在多样化、广泛研究的基准任务集上的表现。然而，作者还研究了SAM在航空图像问题中的表现，他们发现虽然SAM在航空图像上通常表现良好，但在某些情况下由于航空图像和目标对象的独特特征而失败。

Apr, 2023

本研究旨在将Meta AI的创新图像分割模型Segment Anything Model（SAM）应用于遥感图像分析领域，特别是处理来自不同地理背景的航空和轨道影像，实现SAM在遥感影像处理中的潜力。

Jun, 2023

我们提出了一种新颖的方法来针对现有模型的泛化性能下降问题，将基础模型自适应于特定领域，如遥感图像。我们通过集成预训练的卷积神经网络作为提示生成器，为Segment Anything Model增加了识别能力，从而改善了其在遥感图像上的表现。通过在三个遥感数据集上评估我们的方法，包括WHU Buildings数据集、Massachusetts Buildings数据集和AICrowd Mapping Challenge数据集，我们观察到我们的方法在不同分布的性能上取得了显著提高，并计划发布我们的代码库，以促进遥感领域对基础模型进行更多领域特定任务的探索。

Oct, 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

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

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

通过使用基于Transformer的方法在3D空间中扩展了Segment Anything Model（SAM），我们提出了一种3D可提示分割模型（Point-SAM），利用部分级和对象级注释，从SAM中生成伪标签，将2D知识提取到我们的3D模型中，并在室内和室外基准测试中优于最先进的模型，展示了多种应用，如3D标注。

Jun, 2024

本研究解决了传统卷积网络在不同光照和分辨率下对太阳能板分割效果不佳的问题。提出的Segment Anything Model 2在低光照条件下显示出相较于先前模型的明显提升，并且研究表明，Eff-UNet在高分辨率图像中表现最佳，特别是在用户提示框的辅助下优化性能。该研究强调了各模型在遥感数据处理中的优势和局限性。

Aug, 2024

该研究针对Segment Anything Model（SAM）在特定领域（如医学图像）应用时性能下降的问题，提出了一种新颖的自我提示微调方法（SAM-SP）。这一方法减少了对专家级提示的依赖，提高了模型的适用性和分割性能，实验结果验证了其在各种特定领域数据集中的有效性。

Aug, 2024