SAM2-UNeXT：面向下游分割任务的基石模型适应的高分辨率基线
计算机视觉与模式识别
2025-08-06 v1
摘要
最近的研究突显了适应分割模型(SAM)用于各种下游任务的潜力。然而,构建更强大且更具可扩展性的编码器以进一步提升性能仍是一个开放性挑战。在本工作中,我们提出了 SAM2-UNeXT,一个在 SAM2-UNet 核心原则基础上通过集成辅助 DINOv2 编码器来扩展 SAM2 表示容量的高级框架。通过采用双分辨率策略和稠密胶合层,我们的做法实现了更精确的分割,且无需复杂的解码器设计。在四个基准测试中进行的广泛实验,包括二分类图像分割、伪装物体检测、海洋动物分割和遥感视觉检测,均显示我们所提出方法的优异性能。代码已在 https://github.com/WZH0120/SAM2-UNeXT 上提供。
关键词
引用
@article{arxiv.2508.03566,
title = {SAM2-UNeXT: An Improved High-Resolution Baseline for Adapting Foundation Models to Downstream Segmentation Tasks},
author = {Xinyu Xiong and Zihuang Wu and Lei Zhang and Lei Lu and Ming Li and Guanbin Li},
journal= {arXiv preprint arXiv:2508.03566},
year = {2025}
}
备注
Technical Report