顕著対象検出と偽装対象検出は視覚特徴が対立しているが、いずれも境界分割の精度に非常に高い要求を課している。しかし、既存の手法はタスク間の汎化時に特徴の偏りにより性能のボトルネックが生じることが多い。そこで、本論文では汎用分割モデルSAM2-UFFMを提案する。本モデルはSAM2のHieraバックボーンネットワークをエンコーダとして用い、事前学習パラメータを固定し軽量アダプターを導入することでパラメータ効率の良い微調整を実現し、強力な特徴表現能力を完全に保持する；従来のU-Net構造を廃止し、AttUNetデコーダを設計、全スケールのスキップ接続により全スケール情報の効率的融合を実現し、情報損失問題を効果的に解決する；特徴バランス注意モジュールを提案し、特徴補完精細化モジュールと組み合わせて、グローバルな意味情報とローカルな細部を動的にバランスさせ、その後、顕著対象のグローバル認識と偽装対象の境界精細分割を選択的に強化し、過剰分割を防ぐための深層監督戦略を併用する。実験結果により、3つの公開データセットにおいて、本モデルは既存の先進的手法を上回る総合的な性能を示した。CODおよびSODデータセットでの構造的評価指標はそれぞれ1.02％および1.83％向上し、平均絶対誤差は0.035および0.018に低減した。さらに、鋼材表面欠陥分割タスクではIoUが2.77％向上し、モデルのクロスドメイン汎化能力を有効に検証した。

画像分割;顕著対象;偽装対象;SAM2;注意機構