SAM2-UNet：Segment Anything 2 作为自然图像和医学图像分割的强编码器
计算机视觉与模式识别
2026-02-03 v1
摘要
图像分割在视觉理解中发挥着重要作用。最近，新兴的视觉基础模型在各种任务上持续实现卓越的性能。ollowing such success, 本文证明了Segment Anything Model 2（SAM2）可以作为U型分割模型的强编码器。我们提出一种简单而有效的框架，称为SAM2-UNet，用于通用图像分割。具体而言，SAM2-UNet采用SAM2的Hiera backbone作为编码器，而解码器使用经典的U型设计。此外，插入编码器中的适配器以实现参数高效微调。针对各种下游任务的初步实验，包括伪装物体检测、显著物体检测、海洋动物分割、镜面检测和肠黏膜分割，均显示我们的SAM2-UNet能够不靠花哨技巧即可简单地优于现有的专用SOTA方法。项目页面：\url{https://github.com/WZH0120/SAM2-UNet}。
引用
@article{arxiv.2408.08870,
title = {SAM2-UNet: Segment Anything 2 Makes Strong Encoder for Natural and Medical Image Segmentation},
author = {Xinyu Xiong and Zihuang Wu and Shuangyi Tan and Wenxue Li and Feilong Tang and Ying Chen and Siying Li and Jie Ma and Guanbin Li},
journal= {arXiv preprint arXiv:2408.08870},
year = {2026}
}
备注
Technical Report