通过条件点稀疏提升 SAM 在跨域少样本分割中的性能
计算机视觉与模式识别
2026-02-06 v1
摘要
受 Segment Anything Model (SAM) 在提示驱动分割方面成功的启发，最近的研究利用 SAM 开发了针对少样本分割的无训练解决方案，该方法旨在基于少数参考样本预测目标图像中的对象掩码。这些基于 SAM 的方法通常依赖于参考图像与目标图像之间的点匹配，并使用匹配的稠密点作为掩码预测的提示。然而，我们注意到在跨域少样本分割 (CD-FSS) 中，稠密点表现不佳，此时目标图像来自医疗或卫星领域。我们将此问题归因于大范围的域迁移破坏了 SAM 所学习的点-图像相互作用，并发现点密度在此类条件下起关键作用。为解决此挑战，我们提出了条件点稀疏 (Conditional Point Sparsification, CPS)，一种无训练的方法，根据参考样本自适应引导跨域图像的 SAM 交互。借助真实掩码，参考图像能够为自适应稀疏化稠密匹配点提供可靠指导，从而实现更精确的分割结果。大量实验表明，CPS 在多样化的 CD-FSS 数据集上均优于现有的无训练基于 SAM 的方法。
引用
@article{arxiv.2602.05218,
title = {Boosting SAM for Cross-Domain Few-Shot Segmentation via Conditional Point Sparsification},
author = {Jiahao Nie and Yun Xing and Wenbin An and Qingsong Zhao and Jiawei Shao and Yap-Peng Tan and Alex C. Kot and Shijian Lu and Xuelong Li},
journal= {arXiv preprint arXiv:2602.05218},
year = {2026}
}