【ICLR2025】SAMREFINER：驯化“Segment Anything Model”进行通用掩码优化

文章预览

来源：专知 本文 约1000字 ，建议阅读 5 分钟 在本文中，我们探讨了一种主要方法，以提升广泛存在的粗略掩码的质量，使其能够作为可靠的训练数据，供分割模型使用，从而减少标注成本。 在本文中，我们探讨了一种主要方法，以提升广泛存在的粗略掩码的质量，使其能够作为可靠的训练数据，供分割模型使用，从而减少标注成本。与先前专门针对特定模型或任务的精细化技术不同，我们提出了SAMRefiner，这是一种通用且高效的方法，通过将SAM适配到掩码精细化任务中。我们模型的核心技术是噪声容忍的提示方案。具体而言，我们引入了一种多提示挖掘策略，从初始粗略掩码中挖掘出多样的输入提示，以供SAM使用（即，基于距离的点、上下文感知的弹性边界框和高斯风格的掩码）。这些提示可以相互协作，以减轻粗略掩码缺陷的影响。特别是考虑 ………………………………