ReSAM：基于自提示的点监督遥感图像分割
计算机视觉与模式识别
2026-03-31 v4
摘要
此类交互式分割模型如Segment Anything Model (SAM)在自然图像上已显示出卓越的泛化能力，但由于严重的领域偏移和稀缺的密集标注，在遥感图像上表现不佳。为此，我们提出一种点监督、自提示框架，将SAM适用于遥感图像（RSI），仅需稀疏点标注。该方法采用细化-重询-强化循环，其中粗糙的伪掩模由初始点生成（细化），通过自构建的框提示进行改进（重询），并通过软语义对齐（SSA）来缓解误差传播（强化）。在不依赖完整掩模监督的情况下，我们的方法通过自引导的提示适应，逐步提升SAM的分割质量和领域鲁棒性。我们在三个遥感基准数据集上评估了所提方法，WHU、HRSID和NWPU VHR-10，结果表明持续优于预训练的SAM和最近的点监督分割方法。相较于完全监督模型，我们的方法在WHU、HRSID和NWPU上分别将性能差距缩小至1.3%、4.9%和8.5%，仅需1点标注。我们的结果表明，自提示和语义对齐为遥感应用中面向可扩展的面积级适配提供了有效路径。
引用
@article{arxiv.2511.21606,
title = {ReSAM: Refine, Requery, and Reinforce: Self-Prompting Point-Supervised Segmentation for Remote Sensing Images},
author = {M. Naseer Subhani},
journal= {arXiv preprint arXiv:2511.21606},
year = {2026}
}