BED-SAM2: 基于单视图几何先验的边界增强深度 SAM2
计算机视觉与模式识别
2026-05-26 v1
摘要
在 SAM2 视觉基础模型用于下游分割任务的基础上，本研究引入边界增强深度 (BED) 的 SAM2。修改 SAM2 的 Hiera 编码器架构，直接从 RGB 图像中编码单视图深度信息，从而提供几何线索，增强对象边界描绘并促进迷掩对象形状的提取。BED-SAM2 在多项显著目标和迷掩目标检测任务中展现出具竞争力的准确率，仅需五个训练 epoch 即可达到。
引用
@article{arxiv.2605.24893,
title = {BED-SAM2: Boundary-Enhanced-Depth SAM2 via Monocular Geometric Priors},
author = {Tyler Rust and Dara McNally and Kyle O'Donnell and Colin Kelly and Chandra Kambhamettu},
journal= {arXiv preprint arXiv:2605.24893},
year = {2026}
}
备注
9 pages, 5 figures, 5 tables. Presented as a poster at the CVPR 2026 Workshop on Computer Vision in the Wild (CVinW). Code available at https://github.com/TylerRust-1/BED-SAM2