Obwohl die Erkennung hervorstechender Objekte und die Erkennung getarnter Objekte gegensätzliche visuelle Merkmale aufweisen, erfordern beide eine sehr hohe Genauigkeit bei der Kantensegmentierung. Bestehende Methoden stoßen jedoch häufig aufgrund einseitiger Merkmalpräferenzen bei der Aufgabenübergreifenden Generalisierung an Leistungsgrenzen. Daher wird in dieser Arbeit ein universelles Segmentierungsmodell SAM2-UFFM vorgeschlagen. Das Modell verwendet das Hiera-Backbone-Netzwerk von SAM2 als Encoder, erreicht durch das Einfrieren vortrainierter Parameter und die Einführung leichter Adapter eine effiziente Feinabstimmung der Parameter und bewahrt dabei vollständig die starke Merkmalrepräsentationsfähigkeit; es verzichtet auf die traditionelle U-Net-Architektur und entwirft einen AttUNet-Decoder, der durch vollskalige Sprungverbindungen eine effiziente Fusion von Informationen auf allen Skalen ermöglicht und das Problem des Informationsverlusts effektiv löst; es wird ein Merkmalsbalancierungs-Achtsamkeitsmodul vorgeschlagen, das in Kombination mit einem komplementären Merkmalsverfeinerungsmodul das globale Semantische und lokale Details dynamisch ausbalanciert, anschließend wird die globale Wahrnehmung hervorstechender Objekte und die feine Kantensegmentierung getarnter Objekte gezielt verstärkt, unterstützt durch eine Tiefenüberwachungsstrategie zur Vermeidung von Übersegmentierung. Experimentelle Ergebnisse zeigen, dass das Modell auf drei öffentlichen Datensätzen die derzeit fortschrittlichen Methoden übertrifft. Die strukturellen Maße auf den COD- und SOD-Datensätzen verbesserten sich um 1,02 % bzw. 1,83 %, der mittlere absolute Fehler sank auf 0,035 und 0,018. Zudem stieg beim Segmentierungsauftrag für Stahloberflächendefekte der IoU um 2,77 %, was die domänenübergreifende Generalisierungsfähigkeit des Modells effektiv bestätigt.

Bildsegmentierung;hervorstechende Objekte;getarnte Objekte;SAM2;Aufmerksamkeitsmechanismus