用于地震解释的分段任意模型的领域引导提示：属性、可视化和混合提示的作用

计算机视觉大型预训练基础模型的出现显着提高了视觉数据解释的效率。特别是分段任意模型（SAM），通过基于提示的交互提供强大的零炮分段功能，从而使其成为地震解释的有前途的工具。然而，SAM 的大多数现有应用依赖于 微调 来处理特定的地质目标，这需要大量的标记数据，会产生高昂的计算成本，并且常常会损害模型的泛化能力。在本研究中，我们介绍了基础模型对地震数据进行零样本调整的原则框架。该框架基于两个关键组件：(1) 将地震属性和可视化选择（例如，颜色图）与感兴趣的地质目标对齐，以及 (2) 采用混合提示策略，将稀疏的用户定义点提示与源自 SAM 内部特征激活的密集掩模提示相结合。我们跨多个地质目标、数据集、提示配置和地震属性表示系统地评估该框架。我们的结果表明，相对于单独基于点的提示，地质目标感知地震属性和颜色图的选择与混合提示相结合，增强了地质特征的可分离性，并提高了边界描绘和分割精度。我们的研究结果表明，当这些组件联合应用时，SAM 可以在完全零样本设置下实现有竞争力的分割性能，从而无需针对每个地质特征重新训练 SAM。这项工作建立了一条实用且可扩展的途径，在地震解释中利用基础模型，减少对标记数据的依赖，同时保留模型的通用性。