机构名称：
¥ 1.0
任意分割模型 (SAM) 因提供强大且通用的图像对象分割解决方案而备受关注。然而，在不同场景下对 SAM 进行微调以用于下游分割任务仍然是一个挑战，因为不同场景的不同特征自然需要不同的模型参数空间。大多数现有的微调方法试图通过引入一组新参数来修改 SAM 的原始参数空间，以弥合不同场景之间的差距。与这些工作不同，在本文中，我们提出通过参数空间重构（SAM-PARSER）来有效地对 SAM 进行微调，其在微调过程中引入几乎为零的可训练参数。在 SAM-PARSER 中，我们假设 SAM 的原始参数空间相对完整，因此它的基能够重建新场景的参数空间。我们通过矩阵分解获得基，并通过基的最佳线性组合对系数进行微调以重建适合新场景的参数空间。实验结果表明，SAM-PARSER 在各种场景中表现出卓越的分割性能，同时与当前参数高效的微调方法相比，可训练参数的数量减少了约 290 倍。
SAM-PARSER：通过参数空间重构高效微调 SAM
主要关键词
相关文件推荐
