研究人员开发了GFR-SAM，一种新颖的三阶段训练免费指代伪装目标分割框架。该方法通过实现跨图像推理生成候选掩码，使用DINOv3进行对比学习过滤掩码，并使用几何和语义提示优化结果，从而增强了SAM3等模型的性能。GFR-SAM在R2C7K等基准测试中显著提高了性能，在没有特定任务微调的情况下，其性能优于现有的训练免费方法，并接近监督状态的最先进结果。 AI
影响 这项研究推进了目标分割的训练免费方法，有可能减少专业感知任务中对大量标记数据的需求。
排序理由 该集群包含一篇详细介绍计算机视觉任务新方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.11732v1 Announce Type: new Abstract: Referring Camouflaged Object Detection (Ref-COD) requires segmenting hidden targets guided by reference cues. While supervised methods are annotation-heavy and training-free approaches via sparse point-prompting are sensitive to loc…
Referring Camouflaged Object Detection (Ref-COD) requires segmenting hidden targets guided by reference cues. While supervised methods are annotation-heavy and training-free approaches via sparse point-prompting are sensitive to localization errors, we propose GFR-SAM, a robust t…