面向任意图像质量的图像分割：通过生成式和自适应潜在空间增强

Segment Anything Models (SAM) 以卓越的零样本分割性能而备受关注，但在 severely 退化、低质量图像上的性能显著下降，限制了其在实际场景中的应用。为此，我们提出了 GleSAM++，利用生成式潜在空间增强（Generative Latent space Enhancement）提升对低质量图像的鲁棒性，从而实现跨各种图像质量的泛化。此外，为提高预训练扩散模型与分割框架之间的兼容性，我们引入了两项技术，即特征分布对齐（Feature Distribution Alignment, FDA）和通道复制与扩展（Channel Replication and Expansion, CRE）。然而，上述组件缺乏对退化程度的明确指导。模型被迫隐式拟合一个覆盖从轻微噪声到严重损坏的复杂噪声分布，这显著增加了学习负担，并导致重构不理想。为此，我们进一步引入了退化感知自适应增强（Degradation-aware Adaptive Enhancement, DAE）机制。DAE的关键原则是将任意质量特征的重建过程分为两个阶段：退化级别预测和退化感知重建。我们的方法可仅通过添加最小的可学习参数应用于预训练的SAM和SAM2，从而实现高效优化。大量实验表明，GleSAM++在复杂退化条件下显著提升了分割鲁棒性，同时保持对清晰图像的泛化能力。此外，GleSAM++在未见退化情况下的性能也表现优异，彰显了我们方法的通用性及数据集的优势。