仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
尽管SAM在处理大规模序列比对数据上难以替代，但它在速度、准确性、灵活性及功能扩展方面仍然有所欠缺。
为了解决这些问题，研究者们基于原始的SAM架构设计了多种变体，比如近期清华＆英伟达推出的SAMEO框架，以及实现100倍的加速推理的TinySAM。
另外还有很多成果已被顶会顶刊收录，简单看了点就有ICLR2025上的MTSAM、SAMRefiner两篇，NatureMethods（中科院1区）的μSAM工具…可见现在有关SAM的研究有多热门。
为了方便论文er快速了解前沿，这次我从SAM众多改进方案中挑选了10个最新成果分享，基本都有开源代码，也建议大家在改进时注意结合领域需求，增加论文说服力。
扫码添加小享，回复“SAM改进”
免费获取全部论文+开源代码
方法：论文提出SAMEO框架，基于EfficientSAM改进，使其能作为通用掩码解码器与不同前端检测器结合，预测部分遮挡对象的完整掩码。通过引入Amodal-LVIS数据集和优化训练策略，SAMEO在非模态实例分割任务中展现出卓越的零样本性能和泛化能力。
创新点：
提出SAMEO框架，将EfficientSAM改进为通用掩码解码器，可灵活与多种前端检测器结合，实现对遮挡物体的完整分割。
创建Amodal-LVIS数据集，包含30万张合成遮挡图像及对应未遮挡版本，扩充了训练数据，提升了模型泛化能力。
实现零样本性能突破，模型在未见过的数据集上展现出超越现有监督方法的分割效果，验证了其强大的泛化能力。
方法：论文提出了一种名为TinySAM的高效分割模型，通过全阶段知识蒸馏、后训练量化和分层“万物分割”策略，在保持SAM强大零样本分割性能的同时，显著降低了计算成本，相比原始SAM实现了100倍的加速。
创新点：
提出全阶段知识蒸馏方法，结合硬提示采样和硬掩码加权策略，从教师网络中高效提取知识，提升轻量级学生网络性能。
将后训练量化技术应用于基于提示的分割任务，进一步降低计算成本，优化模型效率。
设计分层“万物分割”策略，通过稀疏采样和高置信度区域过滤，减少冗余计算，加速推理速度，同时保持高精度。
扫码添加小享，回复“SAM改进”
免费获取全部论文+开源代码
方法：论文提出了SAMRefiner，通过设计多提示挖掘策略和分而治之再合并（STM）流程来提升粗糙掩膜的质量，并引入IoU适应步骤进一步优化性能，使SAM能够更高效地用于通用的掩膜精修任务。
创新点：
提出多提示挖掘策略，利用多种提示类型从粗糙掩膜中提取有效信息，提升分割质量。
引入STM流程，通过分割和合并操作，改善多目标场景下的语义分割效果。
设计IoU适应步骤，优化SAM对特定数据集的性能，无需额外标注数据。
方法：论文提出MTSAM框架，通过移除SAM的提示编码器并引入任务特定的嵌入和解码器，使其能生成不同通道数的输出。同时，使用ToRA方法对SAM进行多任务微调，利用低秩张量分解整合任务共享和特定信息，提升多任务性能。
创新点：
提出MTSAM框架，移除SAM的提示编码器，引入任务特定的嵌入和解码器，使模型能够生成不同通道数的任务特定输出。
引入ToRA方法，通过低秩张量分解整合任务共享和任务特定信息，实现高效的多任务微调。
在多个基准数据集上验证了MTSAM的性能，证明了其在多任务学习中的优越性和参数效率。
扫码添加小享，回复“SAM改进”
免费获取全部论文+开源代码
