文章：Segment and Matte Anything in a Unified Model
代码：暂无
单位：沃尔玛全球科技
一、问题背景：分割与抠图的"两难困境"
-
SAM的短板：SAM凭借10亿级掩码训练数据，支持点、框、文本等多种交互提示，零样本泛化能力超强，但输出掩码的边界精度不足，缺乏亚像素级细节，无法直接用于精细抠图。
-
现有改进方案的局限：后续的HQ-SAM、DIS-SAM等模型虽提升了分割精度，但需要额外后处理或人工交互，实用性打折扣；而MatAny、MAM等SAM衍生抠图模型，要么依赖额外重模型，要么无法兼顾分割性能。
-
核心矛盾：分割需要全局物体信息，抠图需要局部边界细节，二者存在强关联性，但此前缺乏能将二者统一、且轻量化的框架。
二、方法创新：SAMA的"三合一"核心设计
研究者提出的Segment And Matte Anything（SAMA），作为SAM的轻量化扩展，仅增加1.8%参数量，就实现了"分割+抠图"一体化，核心创新有三点：
1. 多视角定位编码器（MVLE）：捕捉细节不遗漏
借鉴人类"远看全局、近看细节"的视觉逻辑，SAMA将输入图像分成4个不重叠的局部补丁，每个补丁放大后与原图一起输入编码器。通过跨注意力机制对齐局部细节和全局信息，解决了SAM仅靠全局特征无法捕捉精细结构的问题。
2. 定位适配器（Local-Adapter）：细化边界更精准
在SAM解码器中插入专属模块，通过两轮交叉注意力融合全局上下文和局部特征。同时引入"置信度图"，既保留SAM的零样本泛化能力，又能精准修复物体边界，让分割和抠图的边缘更锐利。
3. 双任务预测头：一键输出双结果
设计两个轻量化预测头，分别对应分割和抠图任务。通过上采样和卷积层协同优化，实现一次输入同时输出高精度分割掩码和细腻alpha抠图，无需额外切换模型。
关键是，SAMA训练时冻结了SAM的全部参数，仅微调新增模块，既保证了数据效率，又不会丢失SAM的核心优势。
三、实验结果：多项 benchmark 刷新纪录
在分割和抠图两大任务的标准数据集上，SAMA表现亮眼：
1. 分割任务：细节碾压同类模型
在精细分割数据集DIS-5K上，SAMA的最大F值达到0.942，显著超过SAM（0.835）、HQ-SAM（0.851）等模型；即使面对形状复杂的物体（如铁丝网），也能精准分割出细微结构。在零样本分割数据集COIFT上，仅用1-5个点提示，SAMA的mIoU分数也远超同类模型。
2. 抠图任务：无需Trimap也能赢
在Composition-1K、Distinction-646等抠图基准上，SAMA作为无Trimap模型，SAD（误差指标）低至22.4，媲美甚至超过需要Trimap辅助的VITMatte等模型。视觉效果上，能清晰抠出头发丝、透明玻璃的通透质感，解决了传统模型"抠不干净"的痛点。
3. 效率不打折
尽管新增了双任务能力，SAMA的推理速度（FPS）仅比SAM轻微下降，参数量仅增加1.8%，在普通GPU上也能流畅运行，兼顾性能与实用性。
四、优势与局限
核心优势
-
一体化高效：一个模型搞定分割+抠图，无需分步操作，大幅降低使用成本；
-
高精度+高灵活：既保留SAM的点、框、文本等交互提示能力，又实现亚像素级边界精度；
-
轻量化易部署：新增参数少，推理速度快，无需高端硬件即可落地。
现存局限
-
仅支持静态图像：目前只能处理单张图片，无法应用于视频分割与抠图；
-
硬件要求较高：依赖SAM backbone，推理仍需≥10GB显存的GPU，普通设备难以运行；
-
不支持文本直接提示：暂时需要框、点等交互提示，未接入文本-图像关联能力。
五、一句话总结
SAMA以轻量化设计实现了分割与抠图的统一，既继承了SAM的灵活交互与泛化能力，又补齐了精细边界处理的短板，为图像编辑、自动驾驶感知等场景提供了更高效的解决方案。