GFR-SAM：无需训练 通过跨图像提示引用伪装对象分割

参考伪装目标检测（Ref-COD）需要在参考线索的指导下分割隐藏目标。虽然监督方法是注释密集型的，并且通过稀疏点提示的 无需训练 方法对定位错误很敏感，但我们提出了 GFR-SAM，这是一个强大的三阶段 无需训练 框架。 GFR-SAM 将范式从脆弱点匹配转变为“生成-过滤-优化”管道。首先，我们引入上下文样本引导分割，使 SAM3 能够进行跨图像推理，通过整体视觉样本生成候选掩模，绕过其本地图像内限制。其次，区域-全局对比过滤模块通过基于 DINOv3 的原型对齐对候选者进行排名，有效抑制背景干扰。最后，几何语义细化模块协同边界框和文本提示来恢复细粒度边界并增强实例回忆。在 R2C7K 基准上进行评估，GFR-SAM 在加权 F 测量 ($F_β^w$) 方面比现有的 无需训练 方法高出 8.7%，并与有监督的最先进的同行竞争。最终，这项工作强调了释放 SAM3 跨图像上下文提示的潜在能力的潜力，建立一个强大的 无需训练 范式，有效地弥合通用基础模型和专门的标签密集型感知任务之间的差距，而不需要特定于任务的 微调。