CVPR2024｜vivo提出使用对抗微调获得泛化性更强的SAM，分割性能直接登顶 SOTA！

文章预览

在计算机视觉不断发展的领域中，基础模型已成为一种关键工具，显示出对多种任务的出色适应性。其中，由 Meta AI 开发的 Segment Anything Model（SAM）在图像分割任务中表现杰出。然而，和其他类似模型一样，SAM 在某些特定的细分应用中也遇到了限制。 针对此问题，VIVO提出了ASAM，这是一种通过对抗性调整来增强SAM性能的新方法。广泛的评估结果证实，ASAM 在分割任务中建立了新的基准，从而有助于计算机视觉基础模型的进步。 ASAM只是提高了SAM的性能，而不需要对架构进行修改。ASAM也是资源友好型的，因为它只需要8个A6000 gpu而不需要额外的数据(1% SA-1B数据)。 相关链接 论文地址：https://arxiv.org/pdf/2405.00256 项目页面：https://asam2024.github.io/ 论文阅读 ASAM：增强分段任何模型与对抗性调整 摘要 在不断发展的计算机视觉领域，基础模型已成为关键工具， ………………………………