현저한 객체 탐지와 위장 객체 탐지는 시각적 특징이 상반되지만, 모두 경계 분할 정확도에 매우 높은 요구를 갖고 있다. 그러나 기존의 방법들은 특성 편향이 단일하여 작업 간 일반화 시 성능 병목 현상이 발생하는 경우가 많다. 이를 위해 본 논문에서는 범용 분할 모델 SAM2-UFFM을 제안한다. 이 모델은 SAM2의 Hiera 백본 네트워크를 인코더로 사용하며, 사전 학습된 파라미터를 고정하고 경량 어댑터를 도입해 파라미터 효율적 미세 조정을 실현해 강력한 특징 표현력을 완벽하게 유지한다; 기존의 U-Net 아키텍처를 탈피하고 AttUNet 디코더를 설계하여 전 규모 점프 연결을 통해 전 규모 정보의 효율적 융합을 구현해 정보 손실 문제를 효과적으로 해결한다; 특징 균형 주의 모듈을 제안하고 특징 상호 보완 정제 모듈과 결합해 전역 의미론과 국부 세부사항의 동적 균형을 이루며, 이후 현저한 객체의 전역 인식과 위장 객체의 경계 정밀 분할을 타겟으로 강화하고 심층 감독 전략으로 과분할을 방지한다. 실험 결과는 세 가지 공개 데이터셋에서 본 모델이 기존 최첨단 방법을 능가하는 종합적 성능을 보임을 입증한다. COD와 SOD 데이터셋에서 구조적 지표가 각각 기존 최상의 모델 대비 1.02% 및 1.83% 향상되었고, 평균 절대 오차는 0.035 및 0.018로 감소했다. 또한 강재 표면 결함 분할 작업에서 IoU가 2.77% 상승해 모델의 도메인 간 일반화 능력을 효과적으로 검증했다.

이미지 분할; 현저한 목표; 위장 목표; SAM2; 주의 메커니즘