可提示火灯分割：通过战略性边界框指导 unleash SAM2在移动端实时部署的潜力
摘要
火灯分割是计算机视觉中的一个关键挑战，由于火焰的不规则边界、半透明边缘和高度可变的强度。虽然Segment Anything Models (SAM和SAM2) 在跨域泛化能力方面表现突出，但其在火灯分割中的有效性——尤其是在移动部署约束下——仍然鲜有探索。本文首次全面评估了SAM2变体体系用于火灯分割，重点关注基于边界框提示策略以增强部署可行性。我们系统评估了四个SAM2.1变体（tiny、small、base_plus、large）以及面向移动端的变体（TinySAM、MobileSAM），在三个火灯数据集上进行测试，使用多种提示策略：自动提示、单正向点 (SP)、单正向点+单负向点 (SP+SN)、多个正向点 (MP)、边界框 (Box) 以及混合变体 (Box+SP 和 Box+MP)。我们的实验结果表明，边界框提示始终优于自动和单点基于的方法，Box+MP在Khan数据集上实现最高的平均IoU (0.64) 和Dice系数 (0.75)。轻量级变体如TinySAM和MobileSAM进一步降低了内存和计算成本，使其更适用于延迟容忍的边缘场景。总体而言，本工作为在火灯监测系统中部署可提示分割模型提供了关键见解，并为未来在特定领域SAM应用的后续研究确立了基准。代码已公开：https://github.com/UEmmanuel5/ProFSAM
引用
@article{arxiv.2510.21782,
title = {Promptable Fire Segmentation: Unleashing SAM2's Potential for Real-Time Mobile Deployment with Strategic Bounding Box Guidance},
author = {Emmanuel U. Ugwu and Zhang Xinming},
journal= {arXiv preprint arXiv:2510.21782},
year = {2025}
}
备注
Accepted for presentation at the 9th International Conference on Image and Graphics Processing (ICIGP 2026) will be held in Wuhan, China during January 16-18, 2026 (publication forthcoming). 6 pages, 3 figures, 3 tables