SAM3-Adapter：面向伪装目标分割、阴影检测与医学图像分割的高效 Segment Anything 3 适配
计算机视觉与模式识别
2025-11-25 v1
摘要
大规模基础模型的快速兴起重塑了图像分割的格局，Segment Anything 等模型在多样化的视觉任务中实现了前所未有的通用性。然而，前代模型——包括 SAM 及其后继者——仍然在细粒度的底层分割挑战上存在困难，如伪装目标检测、医学图像分割、细胞图像分割和阴影检测。为解决这些局限性，我们于 2023 年首次提出了 SAM-Adapter，在这些困难场景上取得了显著提升。随着 Segment Anything 3（SAM3）的出现——一种具有重新设计的架构和改进的训练流程的更高效、更高性能的演进版本——我们重新审视了这些长期存在的挑战。在本工作中，我们提出了 SAM3-Adapter，第一个专门为 SAM3 量身定制的适配器框架，释放其完整的语义分割能力。SAM3-Adapter 不仅降低了计算开销，而且持续超越 SAM 和 SAM2 基线方案，在多个下游任务（包括医学成像、伪装（隐蔽）目标分割和阴影检测）上建立了新的最先进结果。基于原始 SAM-Adapter 的模块化和可组合设计哲学，SAM3-Adapter 提供了更强的泛化能力、更丰富的任务适应性和显著提升的分割精度。大量实验证实，将 SAM3 与我们的适配器集成相比所有先前的 SAM 适配方案产生了更优的准确性、鲁棒性和效率。我们希望 SAM3-Adapter 能成为未来研究和实际分割应用的基础。代码、预训练模型和数据处理流水线均可获取。
引用
@article{arxiv.2511.19425,
title = {SAM3-Adapter: Efficient Adaptation of Segment Anything 3 for Camouflage Object Segmentation, Shadow Detection, and Medical Image Segmentation},
author = {Tianrun Chen and Runlong Cao and Xinda Yu and Lanyun Zhu and Chaotao Ding and Deyi Ji and Cheng Chen and Qi Zhu and Chunyan Xu and Papa Mao and Ying Zang},
journal= {arXiv preprint arXiv:2511.19425},
year = {2025}
}