学习无效提示：基于SAM的显著性引导提示蒸馏分割
计算机视觉与模式识别
2026-04-28 v1
摘要
分割是临床诊断和监测的核心任务，但现代基础模型在医学影像中的可靠性仍取决于精确提示的 availability。Segment Anything Model（SAM）提供了强大的零样本能力，尽管在支配实际临床工作流程的弱、通用且噪声较大的提示下会崩溃。实际情况下，诸如中心线点等注释会粗糙且模糊，常常在相邻解剖结构周围漂移，并引导SAM toward 不一致或不完整的掩码。我们引入SPD，即 Saliency-Guided Prompt Distillation（显著性引导提示蒸馏）框架，将这些不可靠的线索转化为稳健的指导。SPD首先通过轻量级显著性头部学习数据驱动的解剖先验，以获得自信的局化图。这些先验驱动 Contextual Prompt Distillation（语境提示蒸馏），该方法利用解剖相邻切片的线索来验证和丰富噪声提示，产生与专家推理一致的 consensus prompt set。Pairwise Slice Consistency（切片成对一致性）目标进一步在分割期间强制局部解剖一致性。在四个具有挑战性的MRI和CT基准测试上进行实验，结果显示SPD consistently 超过现有SAM适应方法和监督基线，显著提升区域基于和边界基于指标。SPD为在仅提供不完美提示的情况下可靠地部署基础模型到临床环境提供了实用且原则的方法。
引用
@article{arxiv.2604.23314,
title = {Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM},
author = {Jingxuan Kang and Ziqi Zhang and Shaoming Zheng and Shuang Li and Uday Bharat Patel and Alexander Harry Fitzhugh and Phillip Lung and Yusuf Kiberu and Nikesh Jathanna and Shahnaz Jamil-Copley and Bernhard Kainz and Chen Qin},
journal= {arXiv preprint arXiv:2604.23314},
year = {2026}
}
备注
Accepted to CVPR 2026 (Findings Track)