摘要

最近推出的通用图像分割模型 Segment Anything Model（SAM）在分割模型的规模化方面取得了重大进展，具备强大的零样本（zero-shot）能力与灵活的提示（prompting）机制。然而，尽管SAM在训练中使用了11亿张掩码（masks），其在处理具有复杂结构的物体时，掩码预测质量仍存在明显不足。为此，我们提出HQ-SAM，该模型在保持SAM原有可提示性设计、高效性及零样本泛化能力的基础上，显著提升了对任意物体的分割精度。HQ-SAM通过精心设计，复用并保留了SAM预训练模型的权重，仅引入极少量额外参数与计算开销。我们设计了一个可学习的高质量输出标记（High-Quality Output Token），将其注入SAM的掩码解码器中，专门负责生成高精度掩码。为提升掩码细节表现，我们不仅将该标记作用于掩码解码器特征，还将其与早期和最终的视觉Transformer（ViT）特征进行融合。为训练所引入的可学习参数，我们构建了一个包含4.4万张细粒度掩码的数据集，数据来源多样。HQ-SAM仅在该4.4万张掩码数据集上进行训练，使用8块GPU仅需4小时即可完成。我们在10个涵盖不同下游任务的多样化分割数据集上验证了HQ-SAM的有效性，其中8个数据集采用零样本迁移评估协议。实验结果表明，HQ-SAM在多个任务中均显著优于原始SAM，展现出卓越的分割精度与泛化能力。相关代码与预训练模型已开源，地址为：https://github.com/SysCV/SAM-HQ。