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
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
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
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
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
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
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
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
Track Anything Behind Everything: Zero-Shot Amodal Video Object Segmentation
Department of Computer Science University of York（计算机科学系约克大学）
TABE通过单个查询掩码实现零样本无遮挡视频对象分割，利用预训练视频扩散模型进行生成补全，无需重新训练模型即可处理完全遮挡场景。
2026-03-05 cs.CV
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
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
Track Anything Annotate: Video annotation and dataset generation of computer vision models
University of Tyumen（托木斯克大学）
本文提出一种基于视频跟踪与分割的标注工具原型，通过技术选型与实现显著加速数据集生成，并开源所有资源。
2025-05-23 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
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
TASAM: Terrain-and-Aware Segment Anything Model for Temporal-Scale Remote Sensing Segmentation
University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；Wuhan University（武汉大学）；Dalian University of Technology（大连理工大学）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出TASAM，通过地形感知适配器、时间提示生成器和多尺度融合三个轻量模块扩展SAM，在不重训主干的情况下提升高分辨率遥感图像分割性能，并在LoveDA、iSAID和WHU-CD三个基准上超越零样本SAM和专用模型。
2025-09-19 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
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
Evaluation of Segment Anything Model 2: The Role of SAM2 in the Underwater Environment
Hainan University（海南大学）；Huazhong University of Science and Technology（华中科技大学）
本文在 UIIS 和 USIS10K 上评估 SAM2 的水下实例分割能力，发现其性能高度依赖提示类型：真实边界框提示表现优异，而自动点提示能力显著下降。
2024-08-06 cs.CV
SkinSAM: Empowering Skin Cancer Segmentation with Segment Anything Model
Emory University（埃默里大学）；Winship Cancer Institute, School of Medicine, Emory University（埃默里大学温希普癌症研究所医学院）
针对皮肤癌自动分割难度高的问题，提出基于Segment Anything Model微调的SkinSAM模型，在HAM10000数据集上验证取得优异性能，证明SAM适配医学图像分割的潜力。
2023-04-27 cs.CV
Segment Anything Model Meets Image Harmonization
Ant Group（蚂蚁集团）；Nanjing University（南京大学）
本文提出语义引导的区域感知实例归一化（SRIN），利用分割一切模型（SAM）的语义分割图引导前景与背景特征协调，实验证明其优于现有方法。
2023-12-20 cs.CV
Boosting Few-Shot Semantic Segmentation Via Segment Anything Model
University of Macau（澳门大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Science（中国科学院深圳先进技术研究院）
提出FSS-SAM，利用SAM作为后处理工具，通过提示生成和预测结果选择算法提升少样本语义分割的掩码轮廓精度。
2024-01-20 cs.CV
AdapterShadow: Adapting Segment Anything Model for Shadow Detection
Hong Kong Baptist University（香港浸会大学）；BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）
提出AdapterShadow，通过向冻结的SAM图像编码器插入可训练适配器并引入网格采样生成密集点提示，实现无需手动干预的自动阴影检测，在四个基准数据集上验证了优越性能。
2023-11-15 cs.CV
Biomedical SAM 2: Segment Anything in Biomedical Images and Videos
University of Georgia（佐治亚大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Lehigh University（理海大学）；Northeastern University（东北大学）；University of Notre Dame（圣母大学）
针对SAM-2在生物医学分割场景的局限性，研究团队基于SAM-2优化开发增强型基础模型BioSAM-2，经多场景评估验证其性能超越现有前沿基础模型，可匹敌甚至超过专用医学分割模型。
2024-08-17 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
S4VY: Segment Anything in Feed-Forward 4D Visual Geometry
Texas A&M University（德克萨斯A&M大学）；NVIDIA（英伟达）
S4VY提出基于前馈4D视觉几何的Segment Anything模型，通过时空查询解码生成类无关4D实例掩码，并利用智能体工具实现自然语言定位，在静态和动态场景中达到最先进性能。
2026-10-06 cs.CV
Segment Anything Model Can Not Segment Anything: Assessing AI Foundation Model's Generalizability in Permafrost Mapping
Arizona State University（亚利桑那州立大学）；Woodwell Climate Research Center（伍德韦尔气候研究中心）；University of Connecticut（康涅狄格大学）；U.S. Geological Survey（美国地质调查局）；University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；University of Illinois at Urbana-Champaign（伊利诺伊大学香槟分校）
本文评估了以 Meta SAM 为代表的视觉基础模型在永久冻土地貌分割中的表现，通过多种提示策略和微调测试其零样本能力与领域适应性，并指出其在挑战性地理空间任务中仍需改进。
2024-01-16 cs.CV
Perceive Anything: Recognize, Explain, Caption, and Segment Anything in Images and Videos
CUHK（香港中文大学）；HKU（香港大学）；PolyU；Peking University（北京大学）
本文提出感知一切模型PAM，通过将大语言模型与SAM 2分割模型结合并引入语义感知器，实现图像和视频中区域级的识别、解释、描述与分割，兼具高效性与强性能。
2025-06-05 cs.CV
Segment Anything Across Shots: A Method and Benchmark
针对多镜头半监督视频目标分割中镜头不连续性及标注数据稀疏问题，提出过渡模拟数据增强策略与SAAS模型，并构建Cut-VOS基准，提升跨镜头泛化能力与分割性能。
2025-11-17 cs.CV
Weakly Supervised Intracranial Hemorrhage Segmentation with YOLO and an Uncertainty Rectified Segment Anything Model
Concordia University（康考迪亚大学）；NeuroRx Research（NeuroRx研究公司）
本文提出一种结合YOLO检测与不确定性校正SAM的弱监督颅内出血分割方法，通过点提示生成器利用边界框提示，在无需精细标注的情况下取得优于现有弱监督和主流有监督方法的检测与分割性能。
2024-09-04 cs.CV
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
SANeRF-HQ: Segment Anything for NeRF in High Quality
The Hong Kong University of Science and Technology（香港科技大学）；Carnegie Mellon University（卡内基梅隆大学）；Dartmouth College（达特茅斯学院）
本文提出 SANeRF-HQ，结合 SAM 的提示式开放世界分割与 NeRF 的多视角信息聚合，并利用密度场和 RGB 相似性优化边界，实现高质量、多视角一致的三维物体分割。
2024-04-06 cs.CV
SAMamba3D: adapting Segment Anything for generalizable 3D segmentation of multiphase pore-scale images
Department of Earth Science and Engineering, Imperial College London（帝国理工学院伦敦地球科学与工程系）；College of Artificial Intelligence, China University of Petroleum (Beijing)（中国石油大学（北京）人工智能学院）；College of Petroleum Engineering, China University of Petroleum (Beijing)（中国石油大学（北京）石油工程学院）
SAMamba3D通过结合Mamba体积上下文建模和渐进跨尺度特征交互，实现了通用的3D多相孔尺度分割，减少对特定案例重训练的需求。
2026-04-29 cs.CV
Label Anything: Multi-Class Few-Shot Semantic Segmentation with Visual Prompts
Department of Computer Science, University of Bari Aldo Moro, Bari, Italy（巴里阿尔多·莫罗大学计算机科学系）；NVIDIA AI Technology Center, Bologna, Italy（英伟达人工智能技术中心）
本文提出Label Anything，一种基于Transformer的多提示多路少样本语义分割框架，通过支持点、框、掩码等多种视觉提示和统一训练策略，在COCO-20^i上取得最先进性能并显著降低标注负担。
2025-08-21 cs.CV
Segment Anything Is Not Always Perfect: An Investigation of SAM on Different Real-world Applications
University of Alberta（阿尔伯塔大学）；Wuhan University（武汉大学）；Dalian University of Technology（大连理工大学）；Samsung Research America（三星美国研究院）
本研究全面调查了 Segment Anything Model (SAM) 在自然图像、农业、制造、遥感和医疗等真实世界应用中的性能，分析了其优势与局限，为通用图像分割的未来研究提供了见解。
2023-05-22 cs.CV
Cross Prompting Consistency with Segment Anything Model for Semi-supervised Medical Image Segmentation
The Chinese University of Hong Kong（香港中文大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Institute of Medical Intelligence and XR, The Chinese University of Hong Kong（香港中文大学医学智能与XR研究所）
提出 CPC-SAM，在双分支框架中通过 SAM 交叉提示和提示一致性正则化利用标注与未标注数据，显著提升半监督医学图像分割性能。
2024-07-07 cs.CV
FastSmoothSAM: A Fast Smooth Method For Segment Anything Model
Key Laboratory of Computer Vision and Machine Learning (Huaqiao University)（华侨大学计算机视觉与机器学习重点实验室）
本文提出 FastSmoothSAM，通过 B-Spline 曲线拟合的四阶段细化过程平滑 FastSAM 的锯齿状边缘，在保持实时处理能力的同时提升分割精度和边缘质量。
2025-07-20 cs.CV
An Empirical Study on the Robustness of the Segment Anything Model (SAM)
University of California, Santa Barbara（加州大学圣巴巴拉分校）；Meta Platforms, Inc.（Meta平台公司）
本研究全面评估了Segment Anything Model (SAM) 在多种真实世界图像扰动下的鲁棒性，发现其性能普遍下降且脆弱程度各异，并提出通过定制提示技术和领域知识可增强其抗扰能力。
2023-05-23 cs.CV
Extending Segment Anything Model into Auditory and Temporal Dimensions for Audio-Visual Segmentation
School of Computing, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院计算机学院）
本文提出时空双向音视频注意力模块ST-BAVA并集成到SAM中，通过利用跨帧音视频上下文关系提升音视频分割性能，在多声源子集上取得8.3%的mIoU提升。
2024-06-10 cs.CV
Semantic-SAM: Segment and Recognize Anything at Any Granularity
HKUST（香港科技大学）；Microsoft Research（微软研究院）；IDEA（粤港澳大湾区数字经济研究院）；HKU（香港大学）；UW-Madison（威斯康星大学麦迪逊分校）；Tsinghua（清华大学）
本文提出通用图像分割模型Semantic-SAM，通过解耦分类和多选择学习，首次联合训练SA-1B、通用及部件分割数据，实现任意粒度的语义感知分割并提升相关任务性能。
2023-07-10 cs.CV
Influence of Prompting Strategies on Segment Anything Model (SAM) for Short-axis Cardiac MRI segmentation
Helmholtz Munich（亥姆霍兹慕尼黑中心）；Technical University of Munich（慕尼黑工业大学）；King’s College London（伦敦国王学院）
该研究探究不同提示策略及不同规模标注数据微调对SAM在心脏短轴MRI分割任务中的性能影响，发现正样本点结合边界框或负样本点效果最优，少量带边界框标注的数据微调可提升性能，无边界框微调反而效果更差。
2023-12-14 cs.CV
Superpixel Anything: A general object-based framework for accurate yet regular superpixel segmentation
Univ. Bordeaux, CNRS, Bordeaux INP, IMS, UMR 5218（波尔多大学）；Univ. Bordeaux, CNRS, Bordeaux INP, LaBRI, UMR 5800（波尔多大学）
提出SPAM框架，通过结合特征提取模型与大规模预训练模型进行语义无关分割，生成准确且规则的超像素，并在分割任务上优于现有方法。
2025-09-16 cs.CV
MoPEFT: A Mixture-of-PEFTs for the Segment Anything Model
Rochester Institute of Technology（罗切斯特理工学院）
本文提出 MoPEFT 框架，将三种 PEFT 技术作为子模块并动态选择激活，用于微调 SAM，在 MESS 基准上持续优于其他微调方法。
2024-05-01 cs.CV
MergeSAM: Unsupervised change detection of remote sensing images based on the Segment Anything Model
School of Geography and Planning, Sun Yat-sen University（中山大学地理科学与规划学院）；Unit 33269 of the PLA（中国人民解放军33269部队）；Intelligent Science & Technology Academy Limited of CASIC（中国航天科工集团智能科技研究院有限公司）
本文提出MergeSAM，一种基于SAM的无监督遥感图像变化检测方法，通过MaskMatching和MaskSplitting策略处理物体分裂合并等复杂变化，利用SAM分割能力构建多时相掩码以提升检测性能。
2025-08-26 cs.CV
Adaptive Low Rank Adaptation of Segment Anything to Salient Object Detection
Australian National University（澳大利亚国立大学）
本文提出 SSOM 方法，利用低秩结构自适应微调 SAM，以提升显著目标检测性能，并在多个基准数据集上超越现有最先进方法。
2023-08-10 cs.CV
SARIF: Segment Anything for Robust Image Forensics
Department of Electrical and Computer Engineering, Inha University（仁荷大学电气与计算机工程系）
提出SARIF框架，利用Segment Anything Model的提示架构和泛化能力，通过反馈引导掩码解码器和双编码器设计提取伪造痕迹，实现自动伪造定位，在跨数据集和图像退化下表现鲁棒。
2026-06-23 cs.CV
Segment and Caption Anything
Microsoft（微软）；Tsinghua University（清华大学）；Advanced Micro Devices（超威半导体）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
提出基于查询的轻量级特征混合器，赋予SAM生成区域描述的能力，通过弱监督预训练利用公开检测分割数据集解决数据稀缺问题，实现快速且可扩展的区域语义理解。
2024-03-26 cs.CV
