CVPR2024：VIVO提出泛化性更强的SAM（附源码下载）

文章预览

论文地址： https://arxiv.org/pdf/2405.00256 代码： https://asam2024.github.io/   计算机视觉研究院专栏 Column of Computer Vision Institute 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，这促使研究者寻找一种在不损害其固有泛化能力前提下对其进行性能提升的策略。 PART/ 1     摘要     今天分析的是一种名为ASAM的新方法，它通过对抗微调来增强SAM的性能。研究者受到了自然语言处理领域成功应用自然对抗样本的启发，成功将地在计算机视觉里激发了这一方法的潜力。作者使用一个鲁棒的扩散模型对SAM-1B数据集的一个子集（1%）进行了增强处理，生成了更能体现自然变化的、而非传统的不易感知的干扰对抗样本。ASAM保留了对抗样本的视觉逼真性，并确保与原始的Mask标注 ………………………………