RPG-SAM：面向训练-free one-shot 多边形分割的可靠性加权原型与几何自适应阈值选择

训练-free one-shot 分割提供了一种可扩展的替代方案，无需专家标注，知识常从 support 图像中迁移至 foundation 模型。但现有方法往往对 support 图像中的所有像素以及 query 响应强度模型进行同质化处理，忽略了 support 图像中的区域异质性以及 query 中的响应异质性。为此，本文提出RPG-SAM（Reliability-Weighted Prototypes and Geometric Adaptive Threshold Selection for Training-Free One-Shot Polyp Segmentation），一个系统性地处理这些异质性差距的框架。具体而言，为解决区域异质性问题，本文引入可靠性加权原型挖掘（Reliability-Weighted Prototype Mining, RWPM），以优先保留高保真度 support 特征，同时将背景锚点作为对比参考以抑制噪声。为解决响应异质性问题，本文开发了几何自适应选择（Geometric Adaptive Selection, GAS），通过评估候选者的形态共识来动态校准二值化阈值。最后，设计了一个迭代细化循环方法，用于精炼解剖边界。通过考虑多层次信息的异质性，RPG-SAM在Kvasir数据集上实现了5.56%的 mIoU 提升。代码将在开源后发布。