TinySAM: Pushing the Envelope for Efficient Segment Anything Model
University of Science and Technology of China（中国科学技术大学）
本文提出 TinySAM 框架，通过全阶段知识蒸馏、训练后量化和分层分割一切策略，在保持零样本分割性能的同时大幅降低计算成本并提升推理效率。
2025-01-08 cs.CV
Learning to "Segment Anything" in Thermal Infrared Images through Knowledge Distillation with a Large Scale Dataset SATIR
Beihang University（北京航空航天大学）
本文提出利用SAM生成伪标签预训练热红外图像分割任务的框架，并构建了包含超10万张像素级标注图像的大规模数据集SATIR，有效提升了特定类别分割精度，超越ImageNet预训练模型。
2023-04-17 cs.CV
Deshadow-Anything: When Segment Anything Model Meets Zero-shot shadow removal
针对Segment Anything（SAM）难以区分阴影与背景的问题，提出Deshadow-Anything方法，通过大规模数据集微调、结合扩散模型及设计MSAG和DDPM-AIP，有效提升图像阴影去除性能。
2025-08-26 cs.CV eess.IV
SAM-DA: UAV Tracks Anything at Night with SAM-Powered Domain Adaptation
School of Mechanical Engineering, Tongji University（同济大学机械工程学院）；Department of Computer Science, University of Hong Kong（香港大学计算机科学系）
针对夜间无人机跟踪中目标域训练样本质量不足的问题，提出基于SAM的域适应框架SAM-DA，通过一对多样本扩充生成高质量训练数据，实现少而精的高效训练，提升了夜间跟踪性能并加速算法部署。
2024-03-24 cs.CV
SAM4EM: Efficient memory-based two stage prompt-free segment anything model adapter for complex 3D neuroscience electron microscopy stacks
CSE, HBKU（计算机科学与工程系，哈马德 bin 哈立大学）；CEMSE, KAUST（细胞与分子生物科学工程中心，卡士坦大学）；BESE, KAUST（生物工程与科学系，卡士坦大学）；University of Turin（都灵大学）
SAM4EM提出一种基于SAM的3D电子显微镜神经结构分割方法，采用两阶段掩码解码的无提示适配器、LoRA双阶段微调及3D内存注意力机制，在多个神经科学分割基准上显著超越SOTA方法。
2025-04-30 cs.CV
SAMed-2: Selective Memory Enhanced Medical Segment Anything Model
Lehigh University, Bethlehem, PA, USA（莱斯大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；University of Georgia, Athens, GA, USA（佐治亚大学）；University of Notre Dame, Notre Dame, IN, USA（Notre Dame 大学）
本文提出基于 SAM-2 的医学图像分割基础模型 SAMed-2，通过时间适配器和置信度驱动记忆机制缓解标注噪声与灾难性遗忘，并在构建的 MedBank-100k 数据集上取得优于现有方法的多任务分割性能。
2025-07-04 cs.CV
Segment Anything in High Quality
HKUST（香港科技大学）；ETH Zürich（苏黎世联邦理工学院）；Dartmouth College（达特茅斯学院）
提出HQ-SAM，通过引入高质量输出令牌和特征融合，在保持SAM零样本能力的同时显著提升掩膜预测质量。
2023-10-23 cs.CV
Knowledge distillation with Segment Anything (SAM) model for Planetary Geological Mapping
University of Passau（帕绍大学）
本文提出利用知识蒸馏结合SAM模型，通过少量提示标注训练专用解码器，实现行星地质制图的快速语义分割，减少专家标注负担，加速地外发现。
2023-05-15 cs.CV cs.SY eess.SY
Segment Anything Model (SAM) Meets Glass: Mirror and Transparent Objects Cannot Be Easily Detected
Kyung Hee University（庆熙大学）
本研究针对基础模型SAM（分割一切模型），实证评估其在镜面、透明物体两类玻璃相关挑战性场景中的检测能力，发现SAM常无法检测玻璃，为其在安全关键场景的部署敲响警钟。
2023-04-29 cs.AI cs.CV cs.LG
SAM 2: Segment Anything in Images and Videos
Meta FAIR
本文提出支持图像与视频可提示分割的基础模型 SAM 2，通过交互式数据引擎构建最大视频分割数据集，并以带流式记忆的 transformer 实现更准、更快的分割性能。
2024-10-28 cs.AI cs.CV cs.LG
Composition Vision-Language Understanding via Segment and Depth Anything Model
Carnegie Mellon University（卡内基梅隆大学）；UC Berkeley（加州大学伯克利分校）；AWS（亚马逊云科技）
提出一个统一库，结合 DAM、SAM 和 GPT-4V，通过符号实例级的分割与深度分析融合，显著提升视觉问答和组合推理等零样本多模态任务的表现。
2024-06-07 cs.AI cs.CV cs.LG
Segment Anything
Meta AI Research, FAIR（Meta人工智能研究院（FAIR））
我们介绍Segment Anything（SA）项目：用于图像分割的新任务、模型和数据集。在数据汇集循环中使用我们的高效模型，我们构建了迄今为止最大的分割数据集（到目前为止），在11 M许可和隐私尊重图像上拥有超过10亿个掩码。该模型被设计和训练为可重构的，因此它可以将zero-shot转移到新的图像分布和任务。我们评估了它在许多任务上的能力，发现它的zero-shot性能令人印象深刻-通常与之前的完全监督结果竞争，甚至更好。我们将在https://segment-anything.com上发布Segment Anything Model（SAM）和相应的1B掩模和11 M图像数据集（SA-1B），以促进对计算机视觉基础模型的研究。
2023-04-05 cs.AI cs.CV cs.LG
Can SAM Count Anything? An Empirical Study on SAM Counting
Shenzhen Institute of Advanced Technology, Chinese Academy of Science（中国科学院深圳先进技术研究院）；Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）
本文实证评估 SAM 在少样本目标计数任务上的能力，发现未经微调的 SAM 相比现有方法表现不佳，尤其难以处理小型和拥挤目标。
2023-04-21 cs.AI cs.CV
UnSAMv2: Self-Supervised Learning Enables Segment Anything at Any Granularity
UC Berkeley（加州大学伯克利分校）
针对SAM系列模型分割粒度控制能力不足的问题，本文提出自监督模型UnSAMv2，仅用少量无标注数据和极少量额外参数就实现了任意粒度的万物分割，在多类分割任务的11个基准上取得显著性能提升。
2026-10-14 cs.AI cs.CV cs.LG
Anytime, Anywhere, Anyone: Investigating the Feasibility of Segment Anything Model for Crowd-Sourcing Medical Image Annotations
University of Maryland School of Medicine（马里兰大学医学院）
本研究探究了利用SAM从非专家处众包稀疏标注以生成密集掩码并训练3D nnU-Net模型的可行性，发现尽管SAM标注的Dice分数较高，但训练出的模型性能显著逊于真实标注训练的模型。
2024-03-22 cs.AI cs.CV cs.LG
Segment Anything Model (SAM) Enhanced Pseudo Labels for Weakly Supervised Semantic Segmentation
The Ohio State University（俄亥俄州立大学）；EAIGLE Inc（EAIGLE 公司）
针对弱监督语义分割中CAM伪标签边界不准的问题，提出用SAM掩码结合CAM生成兼具类别与目标感知性的高质量伪标签，可无缝集成现有方法，在主流数据集上稳定超越SOTA。
2023-11-03 cs.AI cs.CV cs.LG
Adapting Segment Anything Model (SAM) through Prompt-based Learning for Enhanced Protein Identification in Cryo-EM Micrographs
University of Missouri（密苏里大学）；Northeast Normal University（东北师范大学）
本文研究如何通过基于提示的学习适配 SAM 模型，在少量标注数据且不修改预训练参数的情况下提升冷冻电镜蛋白质颗粒识别性能，并验证了三种提示策略优于微调方法。
2023-11-04 cs.AI cs.CV cs.LG
Enlighten Anything: When Segment Anything Model Meets Low-Light Image Enhancement
本文提出 Enlighten-anything 方法，将 SAM 分割的语义意图与低照度图像融合以提升视觉感知，在 LOL 数据集上 PSNR 提升 3dB、SSIM 提升 8，显著增强了无监督低照度增强的泛化能力。
2023-07-31 cs.AI cs.CV
Eye image segmentation using visual and concept prompts with Segment Anything Model 3 (SAM3)
Lund University Humanities Lab \& Dept. of Psychology, Lund University Lund Sweden；Lund University Humanities Lab Lund Sweden；Lund University Humanities Lab \& Dept. of Psychology, Lund University；Lund University Humanities Lab
本文比较了SAM3与SAM2在眼图像分割中的性能，发现SAM3在大多数情况下表现不优于SAM2，因此推荐使用SAM2。
2026-03-18 cs.AI cs.CV
SAM2RL: Towards Reinforcement Learning Memory Control in Segment Anything Model 2
本文提出 SAM2RL，将 SAM 2 的记忆控制构建为序列决策问题，利用强化学习优化记忆更新，在过拟合设置下相比现有启发式方法取得了三倍以上的相对提升，揭示了强化学习在视觉跟踪记忆控制中的潜力。
2025-07-11 cs.CV cs.LG
X-SAM: From Segment Anything to Any Segmentation
X-SAM通过引入统一框架和VGD分割任务，提升多模态大语言模型的像素级视觉理解能力，实现更广泛的分割任务整合。
2026-01-28 cs.AI cs.CV
Convolution Meets LoRA: Parameter Efficient Finetuning for Segment Anything Model
Tsinghua University（清华大学）；Amazon Web Services（亚马逊网络服务）
针对基础分割模型SAM在医学、遥感等专业领域泛化能力下降的问题，提出将超轻量卷积参数整合进LoRA的Conv-LoRA参数高效微调方法，注入图像归纳偏置、恢复高层语义学习能力，多领域基准实验验证其适配效果更优。
2024-01-31 cs.CV cs.LG
AMA-SAM: Adversarial Multi-Domain Alignment of Segment Anything Model for High-Fidelity Histology Nuclei Segmentation
Northwestern University（西北大学）
针对现有细胞核分割方法忽略多数据集利用及域偏移问题，提出AMA-SAM，通过条件梯度反转层实现多域对齐，并设计高分辨率解码器提升分割精度，在公开数据集上显著优于现有方法。
2025-03-27 cs.AI cs.CV
SAM 3: Segment Anything with Concepts
Meta Superintelligence Labs（Meta超级智能实验室）
SAM 3通过概念提示实现图像和视频中的目标检测、分割与跟踪，提升分割准确率并引入新的SA-Co基准。
2026-03-28 cs.AI cs.CV
Restore Anything Pipeline: Segment Anything Meets Image Restoration
ETH Zurich（苏黎世联邦理工学院）
提出 Restore Anything Pipeline (RAP)，结合 Segment Anything Model (SAM) 实现交互式逐对象级图像恢复，支持多结果选择，在去模糊、去噪和 JPEG 伪影去除任务中优于现有方法。
2023-07-02 cs.AI cs.CV cs.LG
Segment and Matte Anything in a Unified Model
本文提出SAMA，一种基于SAM的轻量级模型，实现高质量的交互式图像分割与遮罩，通过多视图定位编码器和定位适配器提升精度，展现广泛的应用能力。
2026-01-17 cs.AI cs.CV
SAMAug: Point Prompt Augmentation for Segment Anything Model
School of Computing, University of Georgia（佐治亚大学计算机学院）；School of Automation, Northwestern Polytechnical University（西北工业大学自动化学院）；Department of Computer Science and Engineering, Lehigh University（里海大学计算机科学与工程系）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Department of Computer Science and Engineering, University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系）；Department of Radiation Oncology, Mayo Clinic（梅奥诊所放射肿瘤科）；School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院）
SAMAug通过生成增强点提示提升SAM交互式分割性能，在多个数据集上验证了有效性，展示了视觉提示增强的潜力。
2024-03-19 cs.AI cs.CV
SAM Struggles in Concealed Scenes -- Empirical Study on Segment Anything
College of Engineering, Computing & Cybernetics, ANU（澳大利亚国立大学工程、计算与控制学院）；ETH Zurich（苏黎世联邦理工学院）；Tsinghua University（清华大学）；Nankai University（南开大学）
本研究在伪装动物、工业缺陷和医学病变等隐蔽场景下对Segment Anything Model (SAM)进行无提示评估，发现其在这些场景中表现不佳。
2023-09-30 cs.CV
The SAM2-to-SAM3 Gap in the Segment Anything Model Family: Why Prompt-Based Expertise Fails in Concept-Driven Image Segmentation
Cornell University（康奈尔大学）；University of the Peloponnese（希腊皮洛斯大学）
本文分析了SAM2到SAM3在分割模型中的断层，指出基于提示的分割方法在概念驱动分割中失效的原因，并探讨了SAM3的多模态架构与评估方法。
2025-12-04 cs.AI cs.CV
Attack-SAM: Towards Attacking Segment Anything Model With Adversarial Examples
KAIST（韩国科学技术院）；Kyung Hee University（庆熙大学）
本文首次系统研究对抗样本对分割一切模型（SAM）的攻击，以掩码移除为基本目标，在白盒与黑盒设置下验证其脆弱性，并发现可生成任意目标掩码。
2023-05-08 cs.AI cs.CV
SGP-SAM: Self-Gated Prompting for Transferring 3D Segment Anything Models to Lesion Segmentation
School of Intelligent Systems Engineering, Sun Yat-sen University, Shenzhen China（智能系统工程学院，中山大学，深圳中国）
本文提出SGP-SAM，通过自门控提示模块提升3D病变分割的转移效果，设计Zoom损失增强小病变学习，实验显示在肝肿瘤和脑肿瘤数据集上优于基线模型。
2026-09-29 cs.AI cs.CV
Segment Anything without Supervision
UC Berkeley（加州大学伯克利分校）
本文提出无监督SAM（UnSAM），通过自顶向下与自底向上聚类相结合的分治策略发现视觉层次结构并生成多粒度伪掩码，无需人工标注即可实现可提示分割，在多个数据集上超越无监督最先进方法，并能以1% SA-1B数据辅助提升有监督SAM的性能。
2024-06-28 cs.CV cs.LG
Enhancing Bloodstain Analysis Through AI-Based Segmentation: Leveraging Segment Anything Model for Crime Scene Investigation
North Carolina State University（北卡罗来纳州立大学）；Georgia Institute of Technology（佐治亚理工学院）
针对传统血迹图像分割方法对背景要求高、耗时长的问题，本研究探索预训练与微调的SAM模型在不同背景血迹图像中的分割应用，验证了其准确性与效率，微调模型精度提升2.2%、速度加快4.70%，为犯罪现场血迹分析提供AI工具。
2023-08-27 cs.AI cs.CV
SAMIHS: Adaptation of Segment Anything Model for Intracranial Hemorrhage Segmentation
Beihang University（北京航空航天大学）
针对SAM在医学图像分割中性能下降的问题，本文提出参数高效微调方法SAMIHS，通过参数重构适配器和组合损失函数，在颅内出血分割任务上取得有效结果。
2023-11-14 cs.CV cs.LG eess.IV
Promoting Segment Anything Model towards Highly Accurate Dichotomous Image Segmentation
College of Computer Science, Sichuan University（四川大学计算机学院）
针对 SAM 分割边界不精细的问题，提出 DIS-SAM 框架，结合改进网络与真值增强，在 DIS 任务上显著提升精度，最大 F 度量较 SAM 提高 8.5%。
2025-03-25 cs.AI cs.CV
Segment Anything Model (SAM) for Radiation Oncology
Mayo Clinic（梅奥诊所）；University of Georgia（佐治亚大学）；The University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
本研究评估了分割一切模型SAM在放射治疗危及器官自动分割中的性能，发现其“分割一切”和“框提示”模式均可达到临床可接受精度，并展现出跨部位通用模型的可行性。
2023-07-04 cs.CV cs.LG eess.IV
Speeding Up Image Classifiers with Little Companions
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
本文提出Little-Big两阶段算法，先用轻量级小模型预测所有样本，仅将困难样本交由大模型处理，在不损失精度下显著减少多种图像分类模型的计算量。
2024-06-27 cs.CV
A Comprehensive Survey on Segment Anything Model for Vision and Beyond
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Cooperative Medianet Innovation Center, Shanghai Jiao Tong University（上海交通大学媒体网络协同创新中心）；CloudWalk Technology Co., Ltd（云从科技有限公司）；University of Oulu（奥卢大学）；Northwestern Polytechnical University（西北工业大学）；Central South University（中南大学）
本文全面综述了Segment Anything Model（SAM）在视觉及更广泛领域的应用，分析了其在各类场景中的优势与局限，并为基础模型的未来发展提供了指导。
2023-05-19 cs.AI cs.CV
Generalizable Visual Reinforcement Learning with Segment Anything Model
Tsinghua University, IIIS（清华大学交叉信息研究院）；Shanghai Qi Zhi Institute（上海期智研究院）；Tongji University（同济大学）；Shanghai AI Lab（上海人工智能实验室）
提出SAM-G框架，利用SAM的可提示分割能力增强视觉RL智能体的泛化性能，在DMControl和Adroit任务上分别取得44%和29%的相对提升。
2023-12-28 cs.CV cs.LG cs.RO
SAMSA: Segment Anything Model Enhanced with Spectral Angles for Hyperspectral Interactive Medical Image Segmentation
The Hamlyn Centre for Robotic Surgery, Imperial College London, UK（哈姆林机器人手术中心，帝国理工学院伦敦分校）
提出SAMSA框架，结合RGB基础模型与光谱分析，利用用户点击引导分割，通过光谱特征融合策略解决高光谱医学图像分割中的数据限制问题，在公开数据集上取得高DICE性能，支持少样本和零样本学习。
2025-07-31 cs.CV cs.LG
From SAM to SAM 2: Exploring Improvements in Meta's Segment Anything Model
Huddersfield University（哈德斯菲尔德大学）
本文对比了Meta推出的SAM与SAM 2，介绍了SAM依托超10亿掩码数据集实现的零样本图像分割能力，以及SAM 2扩展至近实时视频分割的升级，指出这类模型的发展对计算机视觉技术提升至关重要。
2024-08-12 cs.CV
AV-SAM: Segment Anything Model Meets Audio-Visual Localization and Segmentation
Carnegie Mellon University（卡内基梅隆大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对SAM在音频-视觉任务中探索不足的问题，提出AV-SAM框架，通过像素级音视融合聚合跨模态表征生成发声物体掩码，在相关数据集上取得有竞争力的定位与分割性能。
2023-05-03 cs.CV cs.LG cs.MM
Zero-shot performance of the Segment Anything Model (SAM) in 2D medical imaging: A comprehensive evaluation and practical guidelines
Pontifícia Universidade Católica do Rio Grande do Sul（南里奥格兰德天主教大学）
本研究评估了 SAM 模型在四种医学影像模态下的零样本分割性能，发现其可与现有最先进方法媲美甚至超越，并提出了需最少交互的实践指南。
2023-05-05 cs.AI cs.CV
Segment anything model 2: an application to 2D and 3D medical images
Duke University（杜克大学）
本文广泛评估了SAM 2在21个2D和3D医学图像数据集上的分割能力，发现其在单帧2D分割中表现与SAM相当，而在多帧3D分割中性能受多种因素影响，为医学领域应用提供了方向。
2024-08-22 cs.AI cs.CV
TinySAM 2: Extreme Memory Compression for Efficient Track Anything Model
Huawei Noah’s Ark Lab（华为诺亚实验室）
本文提出TinySAM 2，一种轻量级视频分割模型，通过引入内存质量管理机制和联合空间-时间令牌压缩，有效降低了内存存储和计算成本，实现了在DAVIS和SA-V等挑战性数据集上达到SAM 2.1 90%性能，仅使用7%内存令牌和3%训练数据。
2026-05-18 cs.AI cs.CV
SAM-helps-Shadow:When Segment Anything Model meet shadow removal
Shanghai Jiao Tong University（上海交通大学）
针对真实图像阴影去除的零样本学习需求，本研究提出SAM-helps-Shadow方法，改造SAM（分割一切模型）将阴影检测与去除整合为单阶段，以其检测结果为先验辅助检测，再用二阶深度展开网络去除阴影，代码已开源。
2023-06-01 cs.CV
SAMSA 2.0: Prompting Segment Anything with Spectral Angles for Hyperspectral Interactive Medical Image Segmentation
The Hamlyn Centre for Robotic Surgery, Department of Surgery and Cancer Imperial College London（哈姆林机器人手术中心、外科与癌症系帝国理工学院伦敦）
SAMSA 2.0通过引入光谱角度提示，提升超光谱医学图像分割的准确性和鲁棒性，实现比RGB-only模型和先前光谱融合方法更高的Dice分数。
2025-12-22 cs.CV
SAM3-UNet: Simplified Adaptation of Segment Anything Model 3
Sun Yat-sen University（中山大学）；Jiangxi Normal University（江西师范大学）；Hainan University（海南大学）；Dalian University of Technology（大连理工大学）；Chizhou University（池州学院）；Wuhan University（武汉大学）
SAM3-UNet通过简化结构实现低成本适应，优于现有方法并在低内存下表现优异。
2025-12-01 cs.CV
Zero-Shot Segmentation of Eye Features Using the Segment Anything Model (SAM)
Technical University of Munich（慕尼黑工业大学）；IMT School for Advanced Studies Lucca（卢卡高等研究院）；Lund University（隆德大学）
本文评估 SAM 在虚拟现实眼部图像上的零样本分割能力，验证边界框和点提示可提升性能，并表明其在部分眼部特征上可媲美专用模型。
2024-04-08 cs.AI cs.CV cs.HC
EfficientSAM: Leveraged Masked Image Pretraining for Efficient Segment Anything
Meta AI Research（Meta人工智能研究院）
本文提出轻量级分割模型EfficientSAMs，通过掩码图像预训练方法SAMI从SAM图像编码器重建特征，在SA-1B上微调后以大幅降低的计算成本实现接近SAM的性能，并在零样本实例分割等任务上显著优于其他快速SAM模型。
2023-12-01 cs.CV
Segment Anything Model for Grain Characterization in Hard Drive Design
Seagate Technology（希捷科技）；University of Minnesota（明尼苏达大学）
本文探索将 Meta 的 Segment Anything Model (SAM) 应用于硬盘设计中的纳米级晶粒分割，发现其开箱即用版本在属性分布提取上准确率可观，并在标注数据极少假设下提出了四个改进方向且在两个方向取得初步进展。
2024-08-22 cond-mat.mtrl-sci cs.CV cs.LG
Learning to Prompt Segment Anything Models
Nanyang Technological University（南洋理工大学）；SenseTime Research（商汤科技研究院）；Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出空间-语义提示学习方法（SSPrompt），通过直接在嵌入空间优化空间和语义提示并利用预训练知识，解决了Segment Anything Models的提示获取问题，在多个数据集上显著提升了分割性能。
2024-01-09 cs.CV
SPLF-SAM: Self-Prompting Segment Anything Model for Light Field Salient Object Detection
College of Electronic Engineering and Information（电子工程与信息学院）；Sichuan University（四川大学）；Chengdu, China（中国成都）
本文提出SPLF-SAM模型，通过统一多尺度特征嵌入块和多尺度自适应滤波适配器，解决光场显著性目标检测中提示信息提取不足及小目标易被噪声淹没的问题，性能优于十种SOTA方法。
2025-08-27 cs.CV
An Alternative to WSSS? An Empirical Study of the Segment Anything Model (SAM) on Weakly-Supervised Semantic Segmentation Problems
Australian National University（澳大利亚国立大学）；OPPO Research Institute（OPPO研究院）；Shanghai AI Lab（上海人工智能实验室）
本研究实证探索SAM在弱监督语义分割中的应用，将其作为仅基于图像级标签的伪标签生成流程，在PASCAL VOC和MS-COCO上显著超越现有最先进方法，并指出局限性，鼓励进一步探索。
2023-06-18 cs.CV
