CVPR2024｜vivo提出泛化性更强的SAM，分割性能登顶 SOTA！

主要观点总结

本文主要介绍了计算机视觉领域中基础模型的发展，特别是Meta AI开发的Segment Anything Model（SAM）在图像分割任务中的突出表现。针对SAM在某些细分应用中的局限性，VIVO提出了ASAM，一种通过对抗性调整增强SAM性能的新方法。经过广泛的评估，ASAM在分割任务中建立了新的基准，有助于计算机视觉基础模型的进步。

关键观点总结

关键观点1: SAM模型在图像分割任务中的突出表现

SAM作为Meta AI开发的基础模型，在图像分割领域有着出色的表现。

关键观点2: ASAM的提出及其目标

VIVO提出了ASAM，一种通过对抗性调整增强SAM性能的新方法。ASAM旨在解决SAM在特定细分应用中的局限性。

关键观点3: ASAM的方法与效果

ASAM利用稳定的扩散模型，通过生成对抗性实例来增强SAM的性能。广泛的评估结果证实，ASAM在分割任务中建立了新的基准，显著提高了SAM的性能。

关键观点4: ASAM与其他方法的比较

通过定性比较，ASAM在多个数据集上优于其他调优方法，如PGD-Tuning SAM、DAT-Tuning SAM等。此外，与最新成果如EfficientSAM和HQSAM相比，ASAM也实现了性能提升。

关键观点5: ASAM的应用前景

ASAM的提出不仅有助于提升SAM的性能，而且为对抗性示例在计算机视觉领域的更广泛应用和理解开辟了新的途径。此外，ASAM的对抗性调整策略对其他计算机视觉基础模型也可能具有借鉴意义。

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， ………………………………