少样本语义分割遇见 SAM3
计算机视觉与模式识别
2026-04-08 v1
摘要
少样本语义分割 (FSS) 聚焦于仅从少量标注示例对新目标类别进行分割。大多数现有方法依赖大量的episodic 训练来学习可迁移的表示，这既计算昂贵又对分布迁移敏感。在本工作中，我们从现代视觉基础模型的角度重新审视 FSS，探讨了将 Segment Anything Model 3 (SAM3) 作为无训练解决方案的潜力。通过重新利用其 Promptable Concept Segmentation (PCS) 功能，我们采用简单的空间拼接策略将 support 图像和 query 图像放入共享画布中，使完全冻结的 SAM3 能够进行分割，无需任何微调或架构更改。在 PASCAL- 和 COCO- 上的实验表明，这一最小设计已经实现了最先进的性能，超过许多经过深度工程的许多方法。除了实证性提升，我们发现负面提示在少样本设置中是有害的，因为它们经常削弱目标表示并导致预测崩溃，尽管其原意是抑制干扰项。这些发现表明，简单的时间公式可以从简单的时间公式中涌现出强大的跨图像推理，同时也指出了当前基础模型在处理冲突提示信号方面的局限性。
引用
@article{arxiv.2604.05433,
title = {Few-Shot Semantic Segmentation Meets SAM3},
author = {Yi-Jen Tsai and Yen-Yu Lin and Chien-Yao Wang},
journal= {arXiv preprint arXiv:2604.05433},
year = {2026}
}
备注
14 pages, 3 figures