RobustSAM：在 degraded 图像上实现稳健的分段模型

Segment Anything Model (SAM) 已成为图像分割领域的变革性方法，因其卓越的零样本分割能力和灵活的提示系统而备受赞誉。然而，其性能在图像质量受损时面临挑战。为此，我们提出了稳健分段模型 (RobustSAM)，以提升 SAM 在低质量图像上的性能，同时保持其提示能力和零样本泛化能力。我们仅通过轻微的参数增量和计算需求，利用预训练的 SAM 模型实现了改进。RobustSAM 的额外参数可在 8 块 GPU 上 30 小时内优化，证明其在典型科研实验室中的可行性和实用性。我们还引入了 Robust-Seg 数据集，包含 68.8 万张具有不同退化程度的图像-掩码对，用于最佳地训练和评估我们的模型。广泛的实验在各种分割任务和数据集上均表明，RobustSAM 在尤其是在零样本条件下均表现出优异性能，凸显其在广泛实际应用中的潜力。此外，我们的方法已被证明能有效提升 SAM 基于的下游任务，如单张图像去雾和去模糊。