远程 SAMsing：从 Segment Anything 到 Segment Everything

SAM2 在自然图像上 produces high-quality zero-shot 分割，但将其应用到大型遥感场景中暴露了两个问题：(1) 其 mask generator 面临质量-覆盖性权衡：严格阈值 yield 精确 mask 但覆盖大部分图像不足，而放宽阈值增加覆盖率但牺牲 mask 质量；(2) 大图像必须分块处理，导致对象在块边界被碎片化。我们提出 Remote SAMsing，一个开源管道，解决这两个问题且无需修改 SAM2 或使用训练数据。对于覆盖性，多遍算法在每个块上反复运行 SAM2，将接受的 mask涂黑作为下一轮的场景简化，并在覆盖性收益停滞时仅放宽质量阈值，确保始终首先捕获最精确的 mask。对于空间一致性，contextual padding 和无参数的最佳匹配合并重建跨块边界的碎片化对象。在七个场景（5~cm 到 4.78~m GSD）上评估，管道将覆盖率从 30--68%（单遍 SAM2）提升至 91--98%。消融实验量化了每个组件对覆盖率和检测质量的贡献。按类别评估显示，SAM2 对离散遥感对象（建筑物 95%，汽车 82--93% [email protected]）的迁移能力良好，边界精度比 SLIC 和 Felzenszwalb 基线高出 3--8$\times$。块大小充当隐式尺度参数：将其从 $1{,}000$ 降至 250 将 [email protected] 从 56% 提升至 85%，超越 SAM2 内置的多尺度机制。该管道可无需重新训练地适用于 MNF 假彩色图像（99.5% ASA），并可扩展至生产规模图像：1940 万像素的 Potsdam 马赛克实现 97% 的覆盖率且无质量退化。