导言
近年来，视觉基础模型的快速发展推动了多模态理解的进步，尤其是在图像分割任务中。例如，Segment Anything模型（SAM）在图像Mask分割上表现出色，但在语义及实例分割方面仍存在局限。本文提出的SAM-CP，通过引入可组合的提示机制，显著增强了模型在复杂场景下的语义理解能力。这一方法不仅提高了分割任务的灵活性和准确性，也为视觉模型在开放词汇和实例识别中的应用提供了新的思路，使其在多种视觉任务中具有更广泛的适用性。
1 论文简介
论文题目：
SAM-CP: Marrying SAM with Composable Prompts for Versatile Segmentation
研究领域：
计算机视觉、语义分割、实例分割、多模态
论文作者：
Pengfei Chen, Lingxi Xie, Xinyue Huo, Xuehui Yu, Xiaopeng Zhang, Yingfei Sun, Zhenjun Han, Qi Tian
论文链接：
https://arxiv.org/abs/2407.16682
论文来源;
ICLR 2025
2 论文主要方法
2.1 理论概念
本文提出SAM-CP（SAM-Composable Prompts）方法，通过组合两组提示来执行分割任务。
提示一 ，判断SAM分割的Mask是否与给定的文本标签对齐。
提示二，判断同一类别下的Mask是否属于同一实例。
- 针对已经通过提示一标记的Mask，计算Mask组之间的相似度
- 依据相似度将Mask组进一步分组，以确定相同实例的目标集合
- 遍历得到的补丁集合，首先进行语义标注，然后进一步将同一实例进行分组，实现语义分割和实例分割。
2.2 网络架构
- Patch Encoder：负责将Mask转换成特征向量
- Unified Affinity Decoder：处理相似性匹配，合并相似的
- Mask Affinity Calculation：计算Mask组之间的亲和力
- Category Assign：进行最终的Mask组分类
2.3 实验效果
3 论文针对的问题
SAM模型在高效分割视觉内容方面表现出色，但在语义分割 和实例分割任务中仍面临挑战。具体而言，SAM可能会将同一对象过度分割为多个补丁，导致很难确定哪些补丁属于同一实例。此过度分割现象不仅增加了后续标签和处理的复杂性，也影响了模型在具体应用中对场景的准确理解和识别。
尽管当前有多种方法尝试改进SAM在分割任务中的表现，但大部分方法依赖于其他单独的模型进行Mask的提取，从而限制了SAM作为基础模型的独立和有效性。这种方式会降低SAM的作用，不利于其在更复杂语义任务中的灵活应用，进而影响整个视觉识别系统的性能和效率。
4 论文创新点
本文的创新点主要体现在提出了一种名为SAM-CP的全新方法，该方法通过引入可组合的提示（composable prompts）来增强SAM模型的语义分割和实例分割能力。其创新包括：
-
两类型提示的设计：通过设计两种提示，Prompt I用于判断SAM产生的补丁是否与给定的文本标签对齐，而Prompt II用于确定两个补丁是否属于同一实例。这样的设计优化了对补丁的分组与标注，解决了SAM在实例分割任务中的过度分割问题。
-
统一的亲和力框架：本文建立了一个统一的亲和力框架，结合不同的提示输出，不仅提升了语义分割和实例分割的准确性，还实现了更高效的训练和推理。这种方法能够处理开放词汇和闭合领域的分割任务，拓展了SAM在多模态理解中的应用范围。
总结
- SAM-CP增强了SAM模型的语义分割和实例分割的能力，推动图像大模型的进一步发展提供了新思路。
- 在具体的应用场景内，缺乏对应文本标签，如何有效地将特定领域内的文本标签与图像掩码进行匹配是未来研究的挑战。