Amodal SAM：一个具有泛化能力的统一非模态分割框架
计算机视觉与模式识别
2026-04-23 v1
摘要
非模态分割是一项具有挑战性的任务，旨在预测物体的完整几何形状，包括其被遮挡的区域。尽管现有方法主要关注训练域内的非模态分割，但这些方法通常缺乏有效扩展到新物体类别和未见场景的泛化能力。本文介绍了Amodal SAM，这是一个利用SAM（分割一切模型）进行非模态图像和视频分割的统一框架。Amodal SAM保留了SAM强大的泛化能力，同时将其固有能力扩展到非模态分割任务。其改进体现在三个方面：（1）一个轻量级的空间补全适配器，用于实现遮挡区域重建；（2）一个目标感知遮挡合成（TAOS）流程，通过生成多样化的合成训练数据来解决非模态标注稀缺的问题；（3）新的学习目标，用于强制区域一致性和拓扑正则化。大量实验表明，Amodal SAM在标准基准测试上达到了最先进的性能，同时对新场景展现出鲁棒的泛化能力。我们预期这项研究将推动该领域朝着能够在无约束的真实世界环境中有效运行的实用非模态分割系统发展。
引用
@article{arxiv.2604.20748,
title = {Amodal SAM: A Unified Amodal Segmentation Framework with Generalization},
author = {Bo Zhang and Zhuotao Tian and Xin Tao and Songlin Tang and Jun Yu and Wenjie Pei},
journal= {arXiv preprint arXiv:2604.20748},
year = {2026}
}