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
Efficient Cutting Tool Wear Segmentation Based on Segment Anything Model
RWTH Aachen University(亚琛工业大学);Fraunhofer Institute for Production Technology IPT(弗劳恩霍夫生产技术研究所IPT)
提出一种基于Segment Anything Model并集成U-Net作为自动化提示生成器的高效刀具磨损分割方法,在有限训练数据下仍能实现准确分割,优于U-Net。
2024-07-01 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 Model for Brain Tumor Segmentation
Zhengzhou University(郑州大学)
本研究针对脑肿瘤精准分割的临床需求,评估了零样本图像分割基础模型SAM在脑肿瘤分割任务上的性能,发现未微调的SAM与当前SOTA模型仍有差距。
2024-09-11 cs.CV eess.IV
On generalisability of segment anything model for nuclear instance segmentation in histology images
University of Warwick(华威大学);GSK(葛兰素史克)
本文评估SAM在组织学图像细胞核实例分割中的零样本与微调泛化性能,并提出用细胞核检测模型生成边界框或中心点提示以实现自动实例分割。
2024-01-25 cs.CV eess.IV
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
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
Measure Anything: Real-time, Multi-stage Vision-based Dimensional Measurement using Segment Anything
University of California, Los Angeles (UCLA)(加利福尼亚大学洛杉矶分校)
本文提出基于 SAM 的视觉尺寸测量框架 Measure Anything,通过分割、掩膜处理、骨架构建与 2D-3D 转换估计圆形截面物体的直径、长度和体积,并在油菜茎秆测量和机器人抓取中验证其实用性。
2024-12-04 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
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
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
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
Topological Data Analysis Guided Segment Anything Model Prompt Optimization for Zero-Shot Segmentation in Biological Imaging
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
本文提出拓扑数据分析引导的SAM提示优化方法,基于拓扑显著性寻找点位置取代标准网格搜索,在生物图像零样本分割中更利于寻找小目标并大幅降低计算复杂度。
2023-06-30 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
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
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
When SAM Meets Medical Images: An Investigation of Segment Anything Model (SAM) on Multi-phase Liver Tumor Segmentation
Southeast University(东南大学);Nanjing Center for Applied Mathematics(南京应用数学中心);Zhongda Hospital, School of Medicine, Southeast University(东南大学医学院附属中大医院)
本文探究了SAM模型在多期肝脏肿瘤分割中的表现,发现其与预期性能存在差距,但作为交互式医学图像分割的标注工具具有强大潜力。
2023-12-21 cs.CV eess.IV
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
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
SAM.MD: Zero-shot medical image segmentation capabilities of the Segment Anything Model
German Cancer Research Center (DKFZ)(德国癌症研究中心);Helmholtz Imaging(亥姆霍兹影像中心);Heidelberg University Hospital(海德堡大学医院)
本文初步评估了 SAM 在腹部 CT 器官分割任务中的零样本能力,发现其能较好泛化到 CT 数据,可作为医学半自动分割工具和后续领域适配的有力起点。
2023-04-10 cs.CV cs.LG eess.IV
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
SQA-SAM: Segmentation Quality Assessment for Medical Images Utilizing the Segment Anything Model
Nanjing University of Science and Technology(南京理工大学);Digital Medical Research Center, School of Basic Medical Sciences, Fudan University(复旦大学基础医学院数字医学研究中心);The Chinese University of Hong Kong(香港中文大学);University of Notre Dame(圣母大学)
本研究提出新型医学图像分割质量评估方法SQA-SAM,利用通用分割基础模型SAM,基于MedSeg预测生成视觉提示得到SAM分割图并设计对齐评分,实验显示该评分与真实分割质量的Dice系数呈中到强正相关。
2023-12-15 cs.CV cs.LG eess.IV
EfficientViT-SAM: Accelerated Segment Anything Model Without Accuracy Loss
Tsinghua University(清华大学);MIT(麻省理工学院);NVIDIA(英伟达)
该研究提出加速版分割一切模型系列EfficientViT-SAM,用EfficientViT替换SAM的重型图像编码器,经知识蒸馏和SA-1B数据集端到端训练,在A100 GPU上实现48.9倍TensorRT速度提升且无精度损失。
2024-05-16 cs.AI cs.CV cs.LG
Inpaint Anything: Segment Anything Meets Image Inpainting
University of Science and Technology of China(中国科学技术大学);Eastern Institute for Advanced Study(东方理工高等研究院)
本文提出 Inpaint Anything(IA),基于 SAM 实现无掩码图像修复,通过“点击并填充”范式支持移除、填充和替换任意对象,构建了用户友好的统一修复流水线。
2023-04-13 cs.CV
Red-Teaming Segment Anything Model
University of Warsaw(华沙大学);Warsaw University of Technology(华沙理工大学)
本文对分割一切模型进行多方面红队测试,揭示其在恶劣天气风格迁移、名人面部隐私识别及对抗攻击下的脆弱性,并提出高效的FIGA攻击方法,指出图像分割基础模型亟需加强安全防护。
2024-04-02 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
Contour Field based Elliptical Shape Prior for the Segment Anything Model
University of Science and Technology of China(中国科学技术大学)
针对SAM难以高效生成椭圆形状分割结果的问题,提出一种参数化椭圆轮廓场约束方法,通过变分法和对偶算法将椭圆先验与图像特征融合,提升特定任务分割精度。
2026-06-11 cs.CV
Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation
School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院);Digital Medical Research Center, School of Basic Medical Sciences, Fudan University(复旦大学基础医学院数字医学研究中心);Shanghai Jiaotong University(上海交通大学);the Chinese University of Hong Kong(香港中文大学)
针对SAM在医学图像分割精度不足的问题,提出AuxOL方法,利用专家修正标注进行在线学习,通过小型辅助模型与自适应分割融合机制,有效提升了大规模视觉模型在下游医学分割任务中的表现。
2024-06-03 cs.CV cs.LG eess.IV
Seeing as Humans Do: Learning from Motion to Segment Anything Without Supervision
AI Research(360人工智能研究院);University of Ottawa(渥太华大学);Beijing University of Posts and Telecommunications(北京邮电大学)
提出MoSA,一种利用大规模未标注视频中的运动信息学习可迁移对象先验的无监督分割框架,通过多粒度伪标签、对比学习和提示引导迁移,实现与全监督SAM相当的性能。
2026-10-01 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
Efficient Track Anything
Meta AI;Nanyang Technological University(南洋理工大学)
针对SAM 2因计算复杂度高难以在实际任务应用的问题,提出轻量级模型EfficientTAMs,通过基础ViT和高效记忆模块降低计算量,在多基准上性能与SAM 2相当且速度、参数优势显著,还能在移动设备实现实时分割。
2024-11-28 cs.CV
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
Anything-3D: Towards Single-view Anything Reconstruction in the Wild
National University of Singapore(新加坡国立大学)
本文提出Anything-3D框架,联合BLIP、Segment-Anything与文本到图像扩散模型,将野外单张RGB图像中的任意物体重建为神经辐射场。
2023-04-19 cs.CV
SAM-EG: Segment Anything Model with Egde Guidance framework for efficient Polyp Segmentation
University of Science, VNU-HCM(越南国立大学胡志明市分校自然科学大学);Northwestern University(西北大学)
针对医学图像息肉分割中现有先进模型计算成本高的问题,提出带边缘引导模块的SAM-EG框架,引导小型分割模型优化边界效果,实现了与先进方法相当的高精度紧凑分割性能。
2024-06-21 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
Calib-Anything: Zero-training LiDAR-Camera Extrinsic Calibration Method Using Segment Anything
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文提出 Calib-Anything,利用 SAM 图像掩码并结合点云强度、法向量和类别一致性,在零额外训练条件下优化 LiDAR-相机外参,实验验证其通用性与可比精度。
2023-06-05 cs.CV cs.RO
SARFA: Segment Anything with Radiomic Feature Alignment
University of Kentucky(肯塔基大学)
针对医学成像中目标分割模糊问题,提出SARFA框架,通过概率性提示生成掩码,基于弗雷歇放射组学距离和直接偏好优化进行训练,在CT和MRI基准测试中优于现有方法,有效提升医学图像分割效果。
2026-07-16 cs.CV
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
SAM-OCTA2: Layer Sequence OCTA Segmentation with Fine-tuned Segment Anything Model 2
Xiang’an Hospital of Xiamen University(厦门大学附属翔安医院)
本研究针对现有OCTA分割方法难以捕捉3D体数据中目标变化的问题,提出SAM-OCTA2方法,通过低秩适配微调SAM 2,结合帧序列提示点生成与稀疏标注策略,在OCTA-500数据集上实现了FAZ分割的SOTA性能及层序列血管追踪。
2024-09-14 cs.CV
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 Meets Semantic Communication
Kyung Hee University(庆熙大学)
本文面向图像语义通信,提出利用 SAM 的零样本分割能力结合轻量级神经网络进行语义编码,在降低通信开销的同时提升重建质量,并可适配任意语义编码架构。
2023-06-03 cs.CV
Segment anything model (SAM) for brain extraction in fMRI studies
University of Maryland(马里兰大学);George Washington University(乔治华盛顿大学)
针对fMRI脑部提取中手动验证耗时低效的问题,本研究使用Meta发布的SAM模型自动去除颅骨伪影,实验证明无需训练即可实现高效的神经影像脑部分割。
2024-01-09 cs.CV eess.IV
SamDSK: Combining Segment Anything Model with Domain-Specific Knowledge for Semi-Supervised Learning in Medical Image Segmentation
Nanjing University of Science and Technology(南京理工大学);Fudan University(复旦大学);University of Notre Dame(圣母大学)
本研究提出SamDSK方法,结合SAM与领域特定知识,通过迭代训练与标注集扩充的两阶段流程,实现医学图像半监督分割,在三类任务上验证了有效性,为标签高效的医学图像分割提供新思路。
2023-08-26 cs.AI cs.CV cs.LG
DSTCS: Dual-Student Teacher Framework with Segment Anything Model for Semi-Supervised Pubic Symphysis Fetal Head Segmentation
School of Information Science and Technology(信息科学与技术学院)
本文提出DSTCS框架,结合CNN和SAM模型,通过协同学习机制和优化的数据增强策略,提升PSFH分割的准确性和鲁棒性,优于现有方法。
2026-01-27 cs.CV
Det-SAM2:Technical Report on the Self-Prompting Segmentation Framework Based on Segment Anything Model 2
Shenzhen Motern Technology Co., Ltd.(深圳魔门科技有限公司)
本研究基于SAM2构建全自动分割框架Det-SAM2,通过检测模型自动生成目标提示辅助SAM2推理与优化,实现无限长视频流推理且资源占用恒定,保持原模型效率与精度,还展示了台球AI裁判应用案例。
2024-12-02 cs.CV
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
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
ZMIS-SAM: Segment Anything Model Enhanced with Wavelet Transform for Zooplankton Microscopy Image Instance Segmentation
College of Oceanography and Space Informatics, China University of Petroleum (East China)(中国石油大学(华东)海洋与空间信息学院)
针对SAM在浮游动物显微图像实例分割中存在的问题,提出结合小波变换的ZMIS-SAM模型,通过三项核心创新实现最优性能与强泛化能力。
2026-09-22 cs.CV
UVOSAM: A Mask-free Paradigm for Unsupervised Video Object Segmentation via Segment Anything Model
提出UVOSAM,一种基于SAM和STD-Net跟踪器的无掩膜无监督视频目标分割范式,通过时空解耦可变形注意力提升框提示质量,在多个数据集上超越掩膜监督方法。
2025-07-08 cs.CV
Customized Segment Anything Model for Medical Image Segmentation
University of Science and Technology of China(中国科学技术大学)
提出SAMed,基于SAM和LoRA微调实现医学图像语义分割,在Synapse数据集上达到81.88 DSC和20.64 HD,与最先进方法相当,且部署和存储成本低。
2023-10-17 cs.CV
Dynamically evolving segment anything model with continuous learning for medical image segmentation
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Chinese PLA General Hospital(中国人民解放军总医院)
本文提出EvoSAM模型,通过持续学习动态积累新场景和任务知识,在手术血管及前列腺MRI分割中提升精度并缓解灾难性遗忘。
2025-03-08 cs.CV
Annolid: Annotate, Segment, and Track Anything You Need
Cornell University(康奈尔大学)
Annolid是一个基于深度学习的视频目标分割、标注和跟踪软件包,主要面向动物行为分析,通过集成Cutie、Segment Anything和Grounding-DINO实现无标记多动物跟踪和文本命令自动分割,并支持多种行为状态分类。
2024-03-27 cs.AI cs.CV
Segment and Track Anything
Zhejiang University(浙江大学)
SAM-Track框架结合SAM、DeAOT和Grounding-DINO,支持点击、笔画和文本多模态交互,实现视频中任意对象的精确分割与跟踪,在DAVIS基准上表现优异。
2023-05-11 cs.CV
SAM3D: Zero-Shot Semi-Automatic Segmentation in 3D Medical Images with the Segment Anything Model
University of Pennsylvania(宾夕法尼亚大学)
SAM3D基于Segment Anything Model,通过三维折线提示、多轴切片、预训练模型推理和三维重组细化,在无需训练或微调的情况下实现三维医学图像的零样本半自动分割,有望辅助手术规划、诊断成像和科研。
2024-08-07 cs.CV eess.IV