视频对象分割与跟踪：从过去到未来的全面综述

视频对象分割与跟踪（VOST）是计算机视觉中一个复杂而关键的挑战，要求在具有时序动态特性的帧之间实现分割与跟踪的稳健集成。传统方法在域外推理、时序一致性和计算效率方面屈居于下。基于Segment Anything Model（SAM）及其后继版本SAM2等基础模型的出现，引领了一场范式革命，实现了以提示驱动的分割，具备强大的泛化能力。基于这些进展，本综述提供了关于SAM/SAM2用于VOST的方法的全面回顾，沿着三个时序维度进行结构化：过去、当下与未来。我们检查保留和更新历史信息（过去）的策略，探讨从当前帧中提取和优化判别特征的方法（当下），以及预测后续帧中对象动力学的运动预测和轨迹估计算法（未来）。在此过程中，我们概述了从早期基于记忆的架构到SAM2的流式记忆与实时分割能力的演进。我们还讨论了诸如运动感知记忆选择和轨迹导向式提示等最新创新，这些方法旨在提升准确率与效率。最后，我们指出剩余挑战，包括记忆冗余、误差累积和提示效率不足，并提出了面向未来研究的有前景的方向。本综述提供了该领域的及时且结构化的概览，旨在通过基础模型的视角引导研究者和实践者在VOST领域持续推进技术发展。