基于双适配器的无提示高效 SAM2 生物医学语义分割适配
计算机视觉与模式识别
2026-05-08 v1
摘要
Segment Anything Model 2（SAM2）在自然图像上展现出惊人的零样学习能力，但由于显著的领域偏移和对提示的依赖，在生物医学分割中面临挑战。为解决这些限制，我们提出一种无提示、参数高效的微调框架，专为多类分割和可变尺寸输入设计。我们引入卷积位置编码生成器以有效适应任意宽高比，并提出双适配器策略：高性能适配器采用可变形卷积实现精确边界建模，轻量级适配器采用结构重参数化以最小化推理延迟。在 ISBI 2012、Kvasir-SEG、Synapse 和 ACDC 数据集上的实验表明，我们的方法显著优于强大的适配基线。具体而言，我们的方法相较于原始 SAM2 在分割准确率上提升最高可达 19.66%，而计算成本则相较于重量级医学 SAM 适配方案降低约 87%，在准确率与效率之间实现了卓越的权衡。
引用
@article{arxiv.2605.05979,
title = {Prompt-Free and Efficient SAM2 Adaptation for Biomedical Semantic Segmentation via Dual Adapters},
author = {Hinako Mitsuoka and Kazuhiro Hotta},
journal= {arXiv preprint arXiv:2605.05979},
year = {2026}
}
备注
Accepted by ICIP2026