企业官网建设流程全解析

深度精读：Segment Anything（SAM）

论文：Segment Anything
作者：Alexander Kirillov, Eric Mintun, Nikhila Ravi 等（Meta AI Research）
arXiv：2304.02643
发表：ICCV 2023

一、核心动机与问题定义

SAM 的出发点是一个宏大的类比：NLP 领域用大规模预训练（GPT、BERT）构建了"基础模型"，能通过 prompt 泛化到各种下游任务。计算机视觉的分割领域能否做同样的事？

作者提出三个相互耦合的核心问题：

1. Task：什么样的分割任务足够通用，能作为预训练目标？
2. Model：什么样的模型架构能支持灵活的 prompt 输入并实时响应？
3. Data：如何获得足够大规模、足够多样的分割数据？

这三个问题的答案共同构成了 SAM 的设计哲学。

二、任务设计：Promptable Segmentation

2.1 核心定义

SAM 的任务是promptable segmentation：给定任意 prompt（点、框、文本、mask），返回一个合理的分割 mask。

关键设计原则：当 prompt 存在歧义时，返回多个合理的 mask，而不是强行给出一个"错误"的答案。

例如，用户点击一件衬衫上的一个点，合理的 mask 可以是：

• 整件衬衫
• 上半身
• 整个人

SAM 会同时输出这三个候选，并给出置信度分数。

2.2 与交互式分割的区别

传统交互式分割（如 GrabCut、DIOS）的目标是通过多轮交互逼近"正确"的 mask。SAM 的目标不同——它是一个零样本泛化的基础模型，单次 prompt
就要给出合理结果，而不是依赖多轮修正。

三、模型架构

SAM 由三个模块组成，设计上刻意解耦以支持实时交互：

Image → [Image Encoder] → Image Embedding Prompt → [Prompt Encoder] → Prompt Embedding Image Embedding + Prompt Embedding → [Mask Decoder] → Masks + Scores

3.1 Image Encoder：MAE 预训练的 ViT

• 使用ViT-H（huge）作为骨干，经过 MAE（Masked Autoencoders）预训练
• 输入图像 resize 到 1024×1024，输出 64×64 的 image embedding
• 关键设计：Image Encoder 只运行一次，embedding 可以被多个 prompt 复用
• 这是计算瓶颈所在（~0.15s on GPU），但只需算一次

3.2 Prompt Encoder：轻量级多模态编码

支持两类 prompt：

稀疏 prompt（Sparse）：

• 点（point）：位置坐标 + 前景/背景标签 → positional encoding + learned embedding
• 框（box）：两个角点，各自编码后拼接
• 文本（text）：直接用 CLIP 的文本编码器

密集 prompt（Dense）：

• Mask：通过卷积下采样到 256×64×64，与 image embedding 逐元素相加

3.3 Mask Decoder：两层 Transformer + 上采样

这是 SAM 最精妙的设计之一：

tokens = [IoU token, mask tokens × 4, prompt tokens] image_embedding + dense prompt embedding → 2× Transformer decoder layers（双向 cross-attention） → MLP → IoU scores → Upsampling head (2× transposed conv × 2) → 256×256 masks

双向 cross-attention：

• token-to-image attention：让 mask token 关注图像特征
• image-to-token attention：让图像特征关注 prompt token

多 mask 输出：同时预测 4 个 mask（3 个有效 + 1 个备用），训练时取 loss 最小的那个反传梯度（ambiguity-aware training）。

速度：Mask Decoder 极轻量，在 CPU 上 ~50ms，GPU 上 <1ms。

四、数据引擎：SA-1B 数据集

这是 SAM 工作中最重要的工程贡献之一。

4.1 三阶段数据收集

阶段一：辅助手动标注（Assisted-manual）

• 标注员使用 SAM 的早期版本辅助标注（类似 Photoshop 的魔棒工具）
• 收集了约 120K 张图像，4.3M 个 mask
• 模型在此数据上迭代训练

阶段二：半自动标注（Semi-automatic）

• 先用模型自动检测"置信度高"的 mask，标注员只需补充遗漏的部分
• 鼓励标注员标注"不那么显眼"的物体，提升多样性
• 收集了约 180K 张图像，5.9M 个 mask

阶段三：全自动标注（Fully automatic）

• 在 32×32 的网格点上自动生成 prompt，每张图生成大量候选 mask
• 用 NMS 过滤重叠，用置信度和稳定性过滤低质量 mask
• 最终在 11M 张图像上生成了1.1B 个 mask

4.2 SA-1B 数据集特性

• 图像来自授权的摄影图库，已做人脸和车牌模糊处理
• Mask 质量评估：与专业标注员的 IoU 达到94%，与 COCO 标注质量相当

五、训练细节

5.1 训练策略

• 模拟交互式标注：每次训练迭代随机采样 prompt 序列（1~11 轮）
• 第一轮：随机点或框
• 后续轮：根据上一轮预测的误差区域采样新点（前景/背景）
• 最后一轮有 1/4 概率输入 ground truth mask 作为 dense prompt

5.2 Loss 函数

L = λ_focal × L_focal + λ_dice × L_dice + λ_iou × L_iou

• Focal Loss + Dice Loss 用于 mask 预测
• IoU Loss 用于监督 IoU 预测头（让模型知道自己预测得有多准）
• 多 mask 训练：只对 loss 最小的 mask 反传

5.3 数据增强

• 大规模随机裁剪（Large-scale jitter）
• 水平翻转

六、零样本泛化实验

SAM 在多个下游任务上做了零样本评估，不做任何微调：

6.1 零样本单点分割

在 23 个数据集上评估，与专门训练的 RITM 对比：

• SAM 在大多数数据集上持平或超越 RITM
• 在部分医学图像、遥感图像上略弱（domain gap）

6.2 边缘检测

• 用自动 mask 生成的边界做边缘检测
• 在 BSDS500 上接近专门训练的模型

6.3 目标候选区域生成（Object Proposals）

• 在 LVIS 上评估 AR（Average Recall）
• 中等和大目标上超越 ViTDet，小目标略弱

6.4 实例分割

• 用 ViTDet 的 box 作为 prompt 输入 SAM
• 在 COCO 和 LVIS 上与专门训练的 Mask R-CNN 相当

6.5 文本到 Mask

• 用 CLIP 提取文本特征作为 prompt
• 定性结果良好，但作者承认这是探索性实验

七、局限性与批判性分析

7.1 论文自述的局限

1. 细粒度结构：对毛发、细网格等精细结构的分割不够精确
2. 文本 prompt：文本理解能力有限，不如专门的视觉语言模型
3. 实时性：Image Encoder 较慢，不适合视频实时处理
4. 3D/医学图像：未针对非自然图像优化

7.2 深层问题

数据偏差：SA-1B 的图像来自摄影图库，存在明显的摄影风格偏差，对医学图像、卫星图像、工业图像的泛化能力有限。

"分割什么"的歧义：SAM 的多 mask 输出虽然优雅，但在实际应用中用户往往需要明确指定语义层级，这需要额外的后处理或更丰富的 prompt。

评估指标的局限：IoU 作为主要指标无法捕捉边界质量，而边界质量在很多应用（如图像编辑）中至关重要。

八、影响与后续工作

SAM 发布后迅速成为计算机视觉领域的基础设施，催生了大量后续工作：

• SAM 2（2024）：扩展到视频分割，引入 memory bank 机制
• MedSAM：医学图像分割微调版本
• SAM-Track：结合目标跟踪
• Grounded-SAM：结合 Grounding DINO，实现文本驱动的开放词汇分割
• EfficientSAM / MobileSAM：轻量化版本，适合边缘部署

九、核心贡献总结

十、一句话本质

SAM 的本质是：用数据飞轮（data flywheel）+ 基础模型范式，把"分割"这个视觉基本操作做成了一个可 prompt 的通用接口——就像 CLIP 对"识别"做的事情一样，但 SAM
走得更远，因为它同时解决了数据规模问题。