推动 Segment Anything Model 迈向高精度二值图像分割
计算机视觉与模式识别
2025-03-26 v4 人工智能
摘要
Segment Anything Model (SAM) 代表了计算机视觉基础模型的重大突破，提供了一个大规模图像分割模型。然而，尽管 SAM 具有零样本性能，但其分割掩码缺乏细粒度细节，特别是在准确描绘物体边界方面。因此，探索是否可以将 SAM 改进为高度准确的物体分割（即二值图像分割，DIS 任务）既有趣又有价值。为了解决这个问题，我们提出了 DIS-SAM，该方法将 SAM 推进到具有极高精度细节的 DIS 任务。DIS-SAM 是一个专门为高精度分割定制的框架，同时保持了 SAM 的可提示设计。DIS-SAM 采用两阶段方法，将 SAM 与之前设计的用于处理无提示 DIS 任务的改进高级网络相结合。为了更好地训练 DIS-SAM，我们通过修改原始掩码标注采用了真值增强策略。尽管简单，DIS-SAM 显著提升了 SAM、HQ-SAM 和 Pi-SAM 的性能，最大 F-measure 分别提高了约 8.5%、约 6.9% 和约 3.7%。我们的代码位于 https://github.com/Tennine2077/DIS-SAM
引用
@article{arxiv.2401.00248,
title = {Promoting Segment Anything Model towards Highly Accurate Dichotomous Image Segmentation},
author = {Xianjie Liu and Keren Fu and Yao Jiang and Qijun Zhao},
journal= {arXiv preprint arXiv:2401.00248},
year = {2025}
}