计算机工程

作者：马依拉木·木斯得克, 高雨欣, 张思拓, 冯珂, 阿布都克力木·阿布力孜, 哈里旦木·阿布都克里木

单位：新疆财经大学信息管理学院，新疆 乌鲁木齐 830012

关键词：分割一切模型,视觉基础模型,改进模型,图像分割,通用模型

基金：国家自然科学基金(62366050); 新疆维吾尔自治区自然科学基金(2024D01A38); 光电信息技术教育部重点实验室(天津大学)项目(2024KFKTO16)

随着通用人工智能技术的快速发展，基础模型在多个领域的应用日益受到广泛关注。在图像分割领域，分割一切模型(SAM)作为一种核心基础模型，在提升图像理解和处理效率方面展现出了显著优势。尽管SAM在图像分割任务中表现出色，但在功耗、计算效率以及在不同应用场景中的适应性等方面，仍然存在一定的优化空间。为此，从多个维度对SAM的改进方向进行了深入探索，包括提升速度与计算效率、增强模型的精度与鲁棒性、提高模型的适应性与通用性、优化提示工程设计，以及提升数据利用效率与强化迁移学习能力等方面。通过这些改进，SAM不仅能够在更复杂的任务中保持高效性能，还能更好地适应各领域和应用场景的需求。在此基础上，总结SAM在医学、遥感、机械等领域中的实际应用，展示了其在不同场景下的适用性与挑战。此外，详细介绍了图像分割领域常用的数据集和评价指标，通过实验对比分析，进一步评估了视觉Transformer(ViT)变体对SAM性能的影响，以及EfficientSAM、EfficientViT-SAM、MobileSAM和RobustSAM等改进模型的性能表现。最后，总结了SAM及其改进模型在实际应用中面临的挑战，并展望了未来的发展方向，旨在帮助科研工作者更全面地了解SAM及其变体的改进与应用，为新模型的提出提供启发。

来源：2025年第8期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第8期