Segment Anything Model (SAM) 的提出正在图像割裂界限惹起了强壮的合切，其精采的泛化职★能★激励了平常的 兴会。然而，纵然云云，SAM 照旧面对一◁ 个无★ 法★…回避 的题目：为了使 SAM 可以正 确地割裂出对 ▽ 象物体的位子，每张图片都必要手动供应一个= 特别的视觉提示。如下图所示，纵然点击的是统一 物体（图 (b)-(d)）LED拼接=措置器，细小位子变动△都邑导致割裂结果的 明显 区别。这是由于视觉提示缺乏语义新闻，纵然提示正在思要○割▽裂 的 对象物体上，照旧也许激励歧义。框提示和涂鸦提示（图 (e)( f)）固然供 应了更简直的位子新闻，但因为○△呆板和人类对 对象割裂物的判辨存正在误差，效益一再与祈望有所相差。

　　目前的极少技巧，如 ○S◁EE□M ■△和 AV-○S… A…M，通过供应更众模态的输 入新闻来指导…▽模子 更好地判辨要★割裂的物体是什么。然而，纵然输○入新闻变得愈加△简直和众△样化，但正在实质场景中，每个无标注样○本○△照□旧 必 要一=个特别的提示 来行动 教导，这是一种不确实质的需求。理思景况下            LCD大屏幕拼接措置□=显    ，作家生气见知 呆板眼前的无标注★数据都是采○撷自…于=什么职责，然后祈望呆板可○以批量地遵从作家的哀求对这些统一职责下的样本实行割裂<○strong>LCD大屏幕拼接措置显< /strong>。然而，眼前的 SAM 模子及○其变体受到必需为每幅图手动供应 提示这一哀求的限定，于是很难杀青这一点。

　　来自伦敦大学玛丽女王学院的考虑者们提出了一种无需教练的割裂技巧 …GenSAM ，可以正在只供应一个职责通用的文本提示的前提下，将职责 下的全数无标 注样本实○行 有用地割裂。

　　对待给定的割裂职责，比如伪装样本割裂，对待该职责下来自各个数 据集的全 数 无标◁注样本COB■小间 距LED显示屏<○/ strong>，只供应一个职责描画：“the camoufla△g○ed anima…l” 行动这些图片的独一提示！

　　来◁有 ★针对 性○地落 成与职责合系 的对象的割裂。正在这种景况下，对象是依照职责描画□正确 地割裂◁图像中伪◁ 装 的动物。模子必要判辨并应用供应的职责描画○来实践 割裂，而不依赖于手动供 应每个 图像的…特定提 示。

　　这种技巧的上风正在于，通过供应通用职责描画，可能批量 ○地措置 全数合=◁ 系职责○的无标注图片，而无需为每个图片手动供应简直的提示。这对待涉及洪量数据的实 质场景来说是一种愈加高○效▽和可扩▽展的技巧。

　　为分析决这一题目LED拼接处理器LCD大屏幕拼接处理显COB小间距LED显示屏b体育登录入口ap，，作家提○出了 Generalizable SA M（GenS…AM）模子，旨正★在挣脱像 SAM 这类提示割裂技巧对样本△特定 提示的依赖Bsports必一体育bsports必一体育LED拼接处理器LCD大屏幕拼接处理显COB小间距LED显示屏。简直而言，作家提出了一=个跨模态思想链（Cr oss-modal◁ Chains of Thought Prompting，CCTP）的观念，将一个职责…通用的文本提示映照到该职责△下的 全数图片上，天生天性化的感兴 会物体和其布景的共鸣热力求，从而取得牢靠的 视 觉提示▽来指导割裂。其余，为了杀青 测试时自适宜LCD大屏幕拼接措置显，作家进一步提出了一个渐进掩膜天生（Progressive Mask Genera○tion，PMG）框架，通过迭代地将天生的热■力求从头加权到原图上CO★B小间距LED显示屏，指导模子对也许 的对象区域实行从粗到细的聚焦。值得属意的是，GenSAM 无需教练，全数的优★ 化都是正在及时推理时杀青的L…ED拼接措置器。如 BL IP2 和 LLaVA 等模子具备了强壮的推理才 干。然而，正在面临庞大场景，如伪装样本割裂时，这些模子很难正确推=○理出 庞大布○景下 职 责=合 系★物 体的身 份，况且细□小提示■ 变动也许导◁ 致 结果明显区别。同时COB小间距LED显 示屏，目前的 VL M 只▽可 推理出也许 =的对象描画Bsports必一体育bsports必一体育液晶拼接屏LCD大屏幕拼接处理显画面。，而不行将其定位到图像中。为分析决这一题目，作家以现有职责描画。

　　为根源修建了众个思想链，生气通=过▽从众■个角□★=度取得…共鸣来○推理 第 j □个链上=前 景物体的 环节词！

　　然而，眼前大无 数求取共 鸣的技巧…基于一个假 ■设：VLM 的输出结果是有限。