分割基础模型参考：A Survey on Segment Anything

2026/07/14 10:18:31

本文角色：这是「视频轮廓提取」调研的 core-survey 参考页，对应论文 A Survey on Segment Anything Model (SAM): Vision Foundation Model Meets Prompt Engineering（Chaoning Zhang 等，arXiv 2306.06211 v3 / 2311.07734，2024-11 修订）#Zhang et al., 2024。该综述是首篇同时覆盖 SAM 与 SAM 2 的综合 survey（Table 1 自证），以 PRISMA 框架从 428 篇初筛得 192 篇主文章，按 segmentation granularity（whole/part/sub-part 四 query）为线索组织。本页做两件事：

把综述的架构 / prompt / 应用 taxonomy / SAM2 视频 extension / 数据集 / 局限榨取成可查的参考骨架；

标注它与「视频轮廓提取」的关系——SAM 的 mask 边界是轮廓的粗粒度二值形态，SAM2 的 streaming memory 把它推广到视频时序一致边界，SAM2Matting 再细化为 alpha 软轮廓，三子方向在此交汇。

Part 0 · 综述定位

为什么要读这篇 SAM survey

Segment Anything Model（SAM）由 Meta AI Research 于 2023-04 发布，是首个可提示的分割基础模型（promptable segmentation foundation model），在 10 亿级 SA-1B mask 上训练，实现零样本分割 #Kirillov et al., 2023。2024-07-29 Meta 发布 SAM 2，把可提示分割从图像推广到视频，引入 streaming memory 架构处理时序一致性 #Ravi et al., 2024。

本综述的定位明确：在 SAM 发布后、SAM 2 发布后，第一篇同时覆盖 SAM 与 SAM 2 的综合 survey #Zhang et al., 2024。作者用 PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）#Page et al., 2021 框架系统检索，时间窗 2023-04 至 2024-09，关键词 "segment anything model" / "SAM"，初筛 428 篇 → 排除（仅作 trivial 分割工具 / survey & review / arXiv 发表超 6 个月零引用）→ 终筛 192 篇主文章 #Zhang et al., 2024。作者明示纳入 arXiv，因 CV 迭代快于同行评审周期。

综述的四条贡献

首次统一综述 SAM 与 SAM 2 家族（Table 1 对比 5 篇既有 survey，本 survey 是唯一在 Architecture / Datasets / Applications 三列全打 ✓ 的）；
以 segmentation granularity（whole / part / sub-part / additional 四 query）为线索组织全文；
梳理 6 大应用域 taxonomy（图像 / 视频 / 3D / 多模态 / 人机交互 / 专用域）；
讨论局限与未来方向，点名 SAM2 memory bank 的算力瓶颈与 memory-efficient attention 方向。

与既有 survey 的差异化（survey Table 1）：zhang2023comprehensive 偏 SAM 架构+图像；zhang2024segment 偏 SAM2+视频；zhou2024image 偏基础模型泛论；zhang2023towards 偏医疗；zhang2024unleashing 偏 SAM2 生物医学。本综述是唯一全覆盖者 #Zhang et al., 2024。

图 1 · 192 篇主文章的发表 venue 分布（survey Fig. __venues）。覆盖 CVPR/ICCV/ECCV/NeurIPS/ICLR/AAAI/IEEE T-PAMI 等，体现 SAM 研究的顶会顶刊分布。

对视频轮廓提取的启示：SAM/SAM2 是「分割即视觉基础信号」这一范式的代表。视频轮廓提取中，mask 边界是一种粗粒度二值轮廓，SAM2 的 streaming memory 是把它推广到时序的现成机制。本综述的「prompt dependence」短板（automatic prompting 不佳）恰对应视频轮廓提取「无显式 prompt」场景的核心挑战。

Part 1 · SAM 架构

三组件 + 四 query 歧义感知并行解码

本综述对 SAM1 架构的描述偏高层，核心在「granularity 创新」。结合原 SAM 论文 #Kirillov et al., 2023 与本综述 sections/importance.tex 的论述，SAM 由三组件构成：

SAM 三组件架构

Image Encoder：ViT backbone（MAE 预训练），单张图像编码一次，多 prompt 复用同一 image embedding——设计上把昂贵编码摊到多 prompt，是可提示交互的效率基础 #Kirillov et al., 2023。
Prompt Encoder：接受 point / box / mask / text 四类 prompt。point/box 经位置编码 + type embedding；mask 经 conv 下采样与 image embedding 对齐；text 经 CLIP 文本编码器 #Kirillov et al., 2023。
Mask Decoder：轻量 transformer，ambiguity-aware parallel decoding——并行解码 4 个 object query：whole / part / sub-part / additional（additional 仅多 prompt 时返回）。借鉴 DETR #Carion et al., 2020 与 MaskFormer #Cheng et al., 2021 的并行 query 思想（非自回归），每个 query 独立计算 loss 而非平均为单一 class #Zhang et al., 2024。

歧义感知解码：为什么 SAM 能分出茶壶盖

survey §Innovations in Segmentation Granularity 强调：SAM 的真正能力在于粒度识别——给一张茶壶图，SAM 不仅能分出整壶，还能同时分出壶盖、壶身、壶把 #Zhang et al., 2024。这源于歧义感知解码与语义无约束 mask 标注的交互。

并行 4 query：transformer 同时处理多个 object query（类似 ViT 的 [class] embedding），而非自回归。4 个 query 分别对应 whole / part / sub-part / additional，解码时对每个 query 独立计算 ground-truth 与预测 mask 的 loss，而非平均为单一固定类 #Zhang et al., 2024。

语义无约束标注：SA-1B 的 4.3M 手工精标 mask 允许图中所有物体被单独分割，不限定语义类——偶尔存在无法用清晰语义类描述的物体（或语义分类本身不明确）。这种语义松弛使 SAM 能积累海量 mask，区别于此前依赖预定义语义类训练的分割模型 #Zhang et al., 2024。整批 mask 经半自动/全自动阶段扩展，以 data engine 方式支持全监督训练。

历史脉络：granular segmentation 的演进

survey §Historical Techniques and Developments 梳理了 SAM 之前的粒度分割脉络 #Zhang et al., 2024：

人像 parsing（JPPNet）：pose+双网络，依赖 keypoint，限自然铰接体（人/动物）；
多尺度（DeepLab）：resize 多尺度→独立特征提取→scale attention 聚合，物体无关粒度但缺结构关系；
图结构（GMNet）：图匹配模块对齐 part 间关系，引入结构信息；
DETR 式集合预测（Panoptic-PartFormer）：把 MaskFormer 的语义类 query 改为 thing/stuff/part 三 query——最接近 SAM 的 whole/part/sub-part 设计 #Zhang et al., 2024。

SAM 的优势在于训练数据覆盖广（非仅人/动物/车），4 query 的粒度意识是 Panoptic-PartFormer 思想的规模化落地。

对视频轮廓提取的启示：SAM 的 4 query（whole/part/sub-part）天然支持多粒度轮廓——视频中的物体可能需要按整体或部件级跟踪，SAM 的粒度意识是现成的。但 SAM 逐帧独立、无时序，直接逐帧跑会丢运动一致性——这是 SAM2 要补的图像→视频增量。

Part 2 · Prompt 类型

point / box / mask / text 与 prompt dependence

SAM 接受四类 prompt：point / box / mask / text。survey §Prompt Dependence 给出了 prompt 对分割精度的实测规律 #Zhang et al., 2024：

Prompt 精度规律

box prompt 精度 > point prompt #Zhang et al., 2024；
point prompt 可通过在目标上加更多点提精度 #Zhang et al., 2024；
box + point 组合更好，但不能同时施加——box 应在初始 prompting 阶段，point 应在 mask refinement 阶段 #Zhang et al., 2024；
automatic prompting（无人工）效果不佳 #Zhang et al., 2024——这是 SAM 在「无显式 prompt」场景（如自动视频轮廓提取）的核心短板；
text prompt 经 CLIP，但普遍认为其精度与鲁棒性弱于几何 prompt #Zhang et al., 2024。

这条 prompt dependence 规律对视频轮廓提取有直接含义：视频中逐帧标 box/point 不现实，automatic prompting 又不佳——视频轮廓提取必须靠 memory + propagation 而非逐帧人工 prompt，这正是 SAM2 的设计动机。

核心结论：SAM 的精度强依赖 prompt 类型与数量。box > point，多点 > 单点，组合需分阶段。无 prompt（automatic）是短板——视频轮廓提取需绕开此依赖，靠时序记忆而非逐帧提示。

Part 3 · 应用 Taxonomy

6 大应用域：分割 mask 作为视觉基础信号

survey sections/application.tex 是其最大资产——192 篇主文章按 6 大域 × 子任务组织，每域 SAM 的角色均为「提供分割 mask / 边界 prior」 #Zhang et al., 2024。

图 2 · survey 全文 overview（Fig. paper_overview）。自上而下：SAM/SAM2 架构与 granularity → 6 大应用域（图像/视频/3D/多模态/HRI/专用域）→ 数据集 → 挑战与未来方向。这是 survey 的核心导览图。

域一 · Image-based Applications

分四子类 #Zhang et al., 2024：

Generation：Concept Weaver（多概念 mask 隔离融合）/ TheaterGen（角色 mask）/ HiFi Tuner（主客体 mask 引导 loss）/ LOOSECONTROL（分割+深度）/ Ranni（object boundaries 作控制信号）；
Inpainting/Stylizing/Restoration：前景背景分离（matting 的 pseudo-trimap 用法）/ 防色溢 / SAMDiffSR（mask 引导降噪采样）/ SegmentationGS（instance map 引导稀疏自注意力）；
Annotations：弱监督伪标签精修（CAM 集成）/ 医疗众包标注 / 多光谱加速 / 人脸活体 mask / box→mask 降标注成本；
Matching：MESA（区域匹配）/ MATCHER（匹配点→mask）/ SAM 作 teacher 引导局部特征学习。

域二 · Video-based Applications（与视频轮廓最相关）

Generation：MagicMe / CustomVideo / VideoGW / DragAnything / FastVS / StoryGPT-VL / DancingAP——SAM 提供逐帧/初始帧 mask 引导注意力、身份保持、运动控制、动态区域精修；
Annotation：EVA-VOS（多源标注→mask）/ SAMText（视频文本 spotting，百万级标注）；
Tracking：原 SAM 时序一致性弱 → 早期 TAM/XMem 补足；SAM2 引入后 underwater / VOS / 竞赛，memory-based attention 显著改善遮挡/快速运动/伪装 #Zhang et al., 2024。

域三 · 3D Applications

3D Detection（SAM mask + Depth Anything → 伪 LiDAR，KITTI SOTA；Grounded-SAM；PointSAM；SAM-AD 自动驾驶定制版；SGV3D 背景抑制）+ 3D (De)composition（Gaga 关联 3D Gaussian；TotalDecom；OpenNeRF 多视角 mask proposal；GARField 3D affinity field） #Zhang et al., 2024。

域四 · Multimodal Applications

Audio-Visual（audio prompt 零样本分割；SAMA-AVS 早期融合；AV-SAM pixel-wise 音视频融合，Flickr-SoundNet/AVSBench SOTA）+ Vision-Language（SAM 作 prompt encoder 生成 open-world query；hand-object mask 强化 egocentric captioning；region-text 对齐 RegionBLIP/LumenUV；文档 OCR + VQA；减幻觉）+ Region-Based Recognition（AlphaCLIP/Monkey/uLLaVA/LLaVA-Plus/ToolDE）+ Pixel-Level Instruction（Osprey class-agnostic mask；Florence-2；InternGPT pointing）+ Visual Vocabulary/Grounding（PixelLM/GLaMM/Vary/BuboGPT）#Zhang et al., 2024。

域五 · Human-Robot Interaction

机器人抓取/腿式机器人/可变形物体/衣物折叠/铰接体管理/实验室监控；自主驾驶 DSEC（事件相机分割数据集）/ Calib-Anything（LiDAR-相机标定）；导航 VoroNav/OpenFMNav/零样本语义地图 #Zhang et al., 2024。

域六 · Specialized Domain Applications

Remote Sensing（细小目标可/细长目标如道路农田边界不可；海冰分类 SAM+CLIP；MeSAM/RSAM-Seg 域适配；AnyChange 零样本变化检测）+ Anomaly Detection（ClipSAM CLIP 粗→SAM 精；SAA+ box→像素 mask；DefectSAM 红外热像缺陷）+ Farming（精准畜牧；叶片分类后处理）+ Others（陨石坑；语义通信；土建裂缝，优于 UNet 检测纵向裂缝）#Zhang et al., 2024。

图 3 · 引用 SAM 的研究在应用域的分布（survey Fig. app_data）。医疗影像、机器人、视觉-语言应用占比突出，体现 SAM 作为视觉基础信号的跨域渗透。

对视频轮廓提取的启示：应用 taxonomy 证明分割 mask 是下游视觉任务的「基础信号」，视频轮廓提取是其下游之一。域二（Video-based）的 Tracking 子类直接覆盖视频对象分割——SAM2 memory-based attention 是其时序一致性解法。

Part 4 · SAM 2 视频扩展

Streaming Memory：从逐帧独立到时序一致

survey sections/sam2_advancements.tex 是与「视频轮廓提取」最相关的章节。SAM 2（2024-07-29 发布）把可提示分割从图像推广到视频，引入三大技术创新 #Zhang et al., 2024：

图 4 · SAM 2 架构（survey Fig. sam2_architecture）。从 image input 经 memory encoding 到分割输出——streaming memory 是其与 SAM 逐帧独立处理的核心区别，也是视频轮廓时序一致性的关键机制。

创新一 · Unified Segmentation Framework（PVS）

SAM 基于 ViT backbone 处理图像。SAM 2 引入 Promptable Visual Segmentation（PVS），统一处理图像与视频，高效整合空间+时序数据，静态图像与动态视频无缝切换 #Zhang et al., 2024。这是「图像→视频」的范式统一，而非简单叠加时序模块。

创新二 · Enhanced Prompting + Memory Attention

SAM2 保留 point/box/mask prompt，新增 memory attention system：物体消失或被遮挡时，用先前帧存储的信息维持分割精度。允许后续帧追加 prompt 精修 → 跨帧鲁棒、上下文准确 #Zhang et al., 2024。

创新三 · Streaming Memory Architecture（核心）

Streaming Memory 工作机制

与 SAM 的关键差异：SAM 逐帧独立处理（无时序）；SAM2 用初始帧 prompt 分割结果引导后续帧分割 #Zhang et al., 2024；
keyframe memory bank：存关键帧信息，跨帧精修，先前分割贡献后续帧精度（即便有遮挡/物体变换）；
计算效率：不必每帧从零处理 → 可扩展到更长视频、更大规模数据，适合自动驾驶/监控/医疗视频分析（实时 + 长时一致性）；
长序列跟踪：memory attention 维持分割质量，handle occlusion + motion blur #Zhang et al., 2024。

survey 明确指出 SAM2 在外科手术视频等挑战环境零样本性能提升，超越现有模型 #Shen et al., 2024；在 underwater / VOS 任务中通过 memory-based attention 改善遮挡/快速运动/伪装物体的分割跟踪 #Zhang et al., 2024。

对视频轮廓提取的核心价值：SAM2 的 streaming memory 是视频轮廓时序一致性的现成机制——mask 边界跨帧维持，靠 memory bank 存 keyframe、后续帧复用，而非逐帧重新提示。这与 EDTER 等「纯空间」图像边缘检测器形成对比：视频轮廓提取需要时序记忆，SAM2 直接提供。survey §Future Directions 点名的 memory-efficient attention 与 adaptive propagation，正对应视频轮廓提取的算力与精度矛盾。

Part 5 · 训练数据

SA-1B（图像）vs SA-V（视频）

SAM 与 SAM 2 的能力差异根植于训练数据。survey §Dataset Expansion 对比两者 #Zhang et al., 2024：

SAM · SA-1B 数据集

规模：超 10 亿 masks（1B+），覆盖广谱物体类别与场景类型 → 零样本泛化基础；
高分辨率：学到 fine-grained 细节；
自动 mask 生成：data engine（manual → semi-auto → fully-auto 三阶段），最小化人工标注同时保质量；
地理多样性：多地点数据，降位置偏差；
4.3M 手工精标经半自动/全自动阶段扩展——语义不约束（所有物体单独分割，不限定语义类）是 SAM 区别于前模型的关键 #Zhang et al., 2024。

SAM 2 · SA-V 数据集

视频聚焦：区别于 SA-1B 的图像，SA-V 围绕视频，解运动+时序一致性；
规模：比 YouTube-VOS / DAVIS 等既有视频分割数据集多 53 倍标注 mask #Zhang et al., 2024；
场景多样：室内/室外/复杂动态；
标注协议：多阶段——先逐帧人工标注，再用 SAM2 自动跨帧传播 mask（迭代，提速度+精度）；含 manual masklet + automatic masklet 混合。

图 5 · SAM 与 SAM 2 训练数据集对比（survey Fig. dataset_updated）。SA-1B（图像，1B+ mask）→ SA-V（视频，53× 既有视频分割标注）。SA-V 的规模是 SAM2 视频能力的根基。

对视频轮廓提取的启示：SA-V（53× 既有视频分割标注）是视频轮廓评测的规模化基础。若要在视频轮廓提取上做大规模训练/评测，SA-V 是现成的数据来源；其 manual + automatic masklet 混合的标注协议也是视频轮廓数据构建的参考范式。

Part 6 · 局限与开放问题

医疗 / 伪装 / 对抗 / memory 瓶颈

survey sections/challenges_and_limitations.tex 系统列出 SAM/SAM2 的挑战与未来方向 #Zhang et al., 2024。

挑战

四大挑战

Medical Imaging：原始 SAM 医疗 Dice 不及全监督 U-Net #He et al., 2023；器官差异大（胰腺/肝脏差 70%，息肉/肺结节差 30%）#Zhang et al., 2024；边界不清者（恶性肿瘤）差。SAM2 在 3D 改善 #Yu et al., 2024，但低对比模态（CT/超声）可能反不如 SAM；MRI 相当或更优 #Zhang et al., 2024。
Challenging Objects/Scenes：微小/细长物体 #Ji et al., 2023 #Ren et al., 2023、边界模糊 #Zhang et al., 2024、密集遮挡 #Yang et al., 2023、伪装 #Tang et al., 2023、透明 #Han et al., 2023——SAM 输出不精确，不能直接用于 object counting #Ma 2023 counting。雨景需熵滤波预处理 #Zhang et al., 2024。
Prompt Dependence：见 Part 2——automatic prompting 不佳。
Robustness：对抗攻击脆弱（白盒 PGD 可移除 mask）#Zhang et al., 2024；15 种图像腐蚀除模糊外像素精度下降 <5% #Zhang et al., 2024；FGSM 中等鲁棒，PGD 不鲁棒 #Qiao et al., 2023。

未来方向

Fine-Tuning：MedSAM（20 万+ mask，11 模态，Dice +22.5%/3D、+17.6%/2D）#Ma et al., 2023；PolypSAM/SkinSAM 域适配；
Adapter Fixing：image encoder 层间插 adapter #Zhang et al., 2024；mask decoder 插 adapter；decouple decoder（DeSAM，IoU 回归与 mask 学习解耦）#Gao et al., 2023；SAM2 + 专用 adapter #Chen et al., 2024 sam2；
Integration with AI：LLM（GPT-4/BERT）生成/精修 prompt；多模态（audio+spatial）；AR/VR；自动驾驶融合 LiDAR/radar；
New Domains：伪装/透明物体；非欧几里得（图结构，社交网络/分子）；卫星；医疗多模态；
Memory & Propagation：survey 明确点名 SAM2 memory bank 的算力瓶颈——self-attention（frame embedding）+ cross-attention（past memory）开销大 #Rafaeli et al., 2024。未来需 memory-efficient attention、adaptive propagation（3D 医疗/视频）、无监督/强化学习降标注依赖。

对视频轮廓提取的启示：「微小/细长物体」「边界模糊」「密集遮挡」「伪装」这四类 SAM 的失败场景，正是视频轮廓提取对细薄边界（发丝、道路、透明物）的精度瓶颈所在。survey 点名的 memory-efficient attention 与 adaptive propagation，是视频轮廓提取在算力约束下必须解决的核心问题。

Part 7 · 与视频轮廓提取的关系

三子方向交汇：mask 边界 → 视频边界 → alpha 软轮廓

本综述在「视频轮廓提取」调研中处于三子方向交汇点的位置 #Zhang et al., 2024：

survey 对视频轮廓提取的可用价值

SAM = 静态 mask 边界：SAM 在单帧上输出分割 mask，其边界即「轮廓」的粗粒度二值形态。ambiguity-aware 4 query（whole/part/sub-part）天然支持多粒度轮廓。但 SAM 逐帧独立、无时序，直接逐帧跑会丢运动一致性——与 EDTER 等「图像边缘检测器」共有局限。
SAM2 = 视频边界（streaming memory）：SAM2 的 PVS + memory bank + memory attention 把分割从图像推广到视频，跨帧维持 mask 边界一致性——这是「视频轮廓提取」的核心机制。memory bank 存 keyframe，后续帧复用，handle 遮挡/运动模糊，正是视频轮廓时序一致性的解法。survey §Future Directions 点名的 memory-efficient attention 与 adaptive propagation，直接对应视频轮廓提取的算力与精度矛盾。
SAM2Matting = alpha 细化：survey §Inpainting 明确指出——matting 比 segmentation 更精细（输出 [0,1] alpha，需 trimap），研究者用 SAM 分割 mask 作 pseudo-trimap #Yao et al., 2023 降标注成本。SAM2Matting 把这一思路推到视频：SAM2 视频边界 → alpha matte 软轮廓细化（毛发/透明物）。即 SAM(mask 边界) → SAM2(视频 mask 边界) → SAM2Matting(alpha 软轮廓) 的精度递进链。
应用 taxonomy 证明 mask 是视觉基础信号：视频轮廓提取是 SAM 下游之一；域二 Video-based 的 Tracking 子类直接覆盖 VOS。
Prompt dependence 短板 = 视频轮廓提取的核心挑战：automatic prompting 不佳 = 视频轮廓提取「无显式 prompt」场景的核心痛点，需 memory + propagation 补足。
SA-V 是规模化评测基础：53× 既有视频分割标注，是视频轮廓评测的现成数据来源。
细薄边界精度瓶颈：anomaly detection / remote sensing 中 SAM 对细长/微小物体失败 → 视频轮廓提取对细薄边界（发丝、道路）同样面临精度瓶颈。

核心结论：这篇 survey 为「视频轮廓提取」提供了四件可直接复用的资产：

SAM/SAM2 应用 taxonomy（mask 作为视觉基础信号的全域证据）；

SAM2 streaming memory（视频轮廓时序一致性的现成机制，vs EDTER 纯空间）；

SA-V 数据集（规模化评测基础）；

prompt dependence 短板与细薄边界失败场景（视频轮廓提取的核心挑战定位）。其点名 memory-efficient attention 与 adaptive propagation，正是本调研需补的算力-精度增量。

参考页速查

综述方法：PRISMA，428 初筛 → 192 终筛，时间窗 2023-04 至 2024-09。
SAM 架构：image encoder（ViT/MAE）+ prompt encoder（point/box/mask/text）+ mask decoder（4 query 歧义感知并行解码：whole/part/sub-part/additional）。
Prompt 规律：box > point；多点提精度；box+point 分阶段；automatic 不佳。
应用 taxonomy：6 大域（图像/视频/3D/多模态/HRI/专用域）× 子任务，192 篇。
SAM2 三创新：PVS 统一框架 + memory attention + streaming memory architecture（keyframe memory bank，跨帧引导）。
数据集：SA-1B（图像，1B+ mask，4.3M 手工精标，语义无约束）vs SA-V（视频，53× 既有 VOS 标注）。
局限：医疗 Dice 弱于 U-Net；细小/细长/伪装/透明失败；对抗脆弱；SAM2 memory 算力瓶颈。
交汇点：SAM(mask 边界) → SAM2(视频边界) → SAM2Matting(alpha 软轮廓)。

参考来源

Zhang, C. et al. (2024). A Survey on Segment Anything Model (SAM): Vision Foundation Model Meets Prompt Engineering. arXiv:2306.06211 (v3, 2024-11 修订). arXiv:2306.06211
Kirillov, A. et al. (2023). Segment Anything. ICCV 2023. arXiv:2304.02643
Ravi, N. et al. (2024). SAM 2: Segment Anything in Images and Videos. arXiv:2408.00714. arXiv:2408.00714 · github.com/facebookresearch/sam2 · 精读 →
Carion, N. et al. (2020). End-to-End Object Detection with Transformers (DETR). ECCV 2020. arXiv:2005.12872
Cheng, B. et al. (2021). Per-Pixel Classification is Not All You Need for Semantic Segmentation (MaskFormer). NeurIPS 2021. arXiv:2107.06278
Ma, J. et al. (2023). Segment Anything in Medical Images (MedSAM). Nature Communications 2024. arXiv:2304.12306
Gao, H. et al. (2023). DeSAM: Decoupled Segment Anything Model for Generalizable Medical Image Segmentation. arXiv:2306.00499. arXiv:2306.00499
Yao, Y. et al. (2023). Matte Anything: Interactive Matte Extraction with Segment Anything. arXiv:2305.13432. arXiv:2305.13432
Shen, B. et al. (2024). Performance of SAM 2 in Surgical Video Segmentation. arXiv 2024.
Page, M. J. et al. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews (PRISMA). BMJ 2021.
Cheng, J. et al. (2023). Segment Anything Model (SAM) for Medical Image Analysis. arXiv:2304.07599.
Wang, S. et al. (2023). Evaluation of SAM on Medical Image Segmentation. arXiv 2023.
Wald, Y. et al. (2023). SAM-MD: SAM for Medical Domain. arXiv 2023.
Mattjie, I. et al. (2023). An Evaluation of SAM in Medical Segmentation. arXiv 2023.
Huang, X. et al. (2023). Robustness of SAM. arXiv 2023.
He, P. et al. (2023). Accuracy of SAM in Medical Image Segmentation vs U-Net. arXiv 2023.
Hu, J. et al. (2023). SAM for Liver / Breast Tumor Segmentation. arXiv 2023.
Ji, Y. et al. (2023). SAM on Challenging Objects (Camouflaged/Slender). arXiv 2023.
Ren, X. et al. (2023). SAM for Remote Sensing / Minuscule Objects. arXiv 2023.
Tang, J. et al. (2023). Can SAM Segment Camouflaged Objects? arXiv 2023.
Han, X. et al. (2023). SAM for Transparent Object Segmentation. arXiv 2023.
Yang, M. et al. (2023). Track Anything Model (TAM) / SAM in Dense Environments. arXiv 2023. · 精读 →
Qiao, S. et al. (2023). Robustness of SAM to Corruption and Adversarial Attack. arXiv 2023.
Rafaeli, N. et al. (2024). Prompting SAM 2 for Video Segmentation. arXiv 2024.
Yu, S. et al. (2024). SAM 2 for 3D Medical Image Segmentation. arXiv 2024.
Chen, J. et al. (2024). SAM 2 with Specialized Adapter. arXiv 2024.
Ma, J. et al. (2023). SAM for Object Counting. arXiv 2023.