少样本语义分割符合 SAM3

Few-Shot 语义分割 (FSS) 专注于从少数带注释的示例中分割新颖的对象类别。大多数现有方法依赖于广泛的情景训练来学习可转移表示，这既需要计算量，又对分布变化敏感。在这项工作中，我们从现代视觉基础模型的角度重新审视 FSS，并探索 Segment Anything Model 3 (SAM3) 作为 无需训练 解决方案的潜力。通过重新利用其即时概念分割 (PCS) 功能，我们采用了一种简单的空间串联策略，将支持和查询图像放入共享画布中，允许完全冻结的 SAM3 执行分割，而无需任何 微调 或架构更改。 PASCAL-$5^i$ 和 COCO-$20^i$ 上的实验表明，这种最小的设计已经实现了最先进的性能，优于许多精心设计的方法。除了经验收益之外，我们还发现，负面提示在少数场景中可能会适得其反，尽管它们在抑制干扰因素方面发挥了预期作用，但它们常常会削弱目标表征并导致预测崩溃。这些发现表明，简单的空间公式可以产生强大的跨图像推理，同时也凸显了当前基础模型处理冲突提示信号的局限性。代码位于：https://github.com/WongKinYiu/FSS-SAM3