基于逆参数配置和测试时训练的Segment Anything Model用于伪装物体检测
计算机视觉与模式识别
2025-09-16 v1
摘要
本文提出了一种新的Segment Anything Model (SAM)，利用逆参数配置和测试时训练来提高其在伪装物体检测（COD）方面的性能。虽然大多数现有基于SAM的COD模型主要关注通过提取有利特征和放大优势参数来增强SAM，但识别到一个关键缺口：对干扰SAM在下游任务中语义理解不足的 adverse 参数缺乏关注。为解决此问题,提出了逆SAM参数配置模块，通过配置SAM的参数来有效缓解 adverse 参数的影响,实现无需训练的前瞻。基于此基础,揭示了T-Visioner模块，通过将原developed用于语言任务的测试时训练层整合到视觉任务中,强化有利参数。测试时训练层代表一种新的序列建模层，具有线性复杂度和富有表现力的隐藏状态。通过整合两个模块,SAM-TTT同时抑制 adverse 参数并强化有利参数，显著提高了SAM在COD任务中的语义理解。我们的实验结果表明，在各种COD基准测试上，所提方法实现了最先进的性能，为该领域设定了新的基准。代码将在https://github.com/guobaoxiao/SAM-TTT提供。
引用
@article{arxiv.2509.11884,
title = {SAM-TTT: Segment Anything Model via Reverse Parameter Configuration and Test-Time Training for Camouflaged Object Detection},
author = {Zhenni Yu and Li Zhao and Guobao Xiao and Xiaoqin Zhang},
journal= {arXiv preprint arXiv:2509.11884},
year = {2025}
}
备注
accepted by ACM MM 25