SAM（Segment Anything）如何实现可提示的零样本分割？

任务定位

SAM（Segment Anything Model）是一个「可提示分割」基础模型：给定一张图和一个提示（点/框/掩码），输出该提示指向区域的分割掩码，无需针对新类别重新训练。

架构三部分

• 图像编码器：重型 ViT，将整图编码为特征，对每张图只计算一次，可被多次提示复用。
• 提示编码器：把点、框、掩码等稀疏/稠密提示编码为嵌入。
• mask 解码器：轻量结构，融合图像特征与提示嵌入，快速输出掩码，并预测多个候选以应对歧义。

训练与泛化

在 SA-1B 数据集（约 1100 万图、11 亿掩码）上训练，规模化掩码标注带来强零样本泛化：对未见过的物体和领域也能分割。下游只需给提示即可，是「分割界的基础模型」范式。