Хотя визуальные признаки заметных объектов и замаскированных объектов противоположны, оба требуют высокой точности сегментации границ. Однако существующие методы часто сталкиваются с ограничениями производительности при обобщении между задачами из-за предпочтения однородных признаков. В связи с этим в данной работе предложена универсальная модель сегментации SAM2-UFFM. Модель использует иерархический каркас SAM2 в качестве кодировщика, замораживая предварительно обученные параметры и вводя легковесный адаптер для эффективной тонкой настройки параметров, полностью сохраняя мощные возможности представления признаков; отказалась от традиционной архитектуры U-Net и разработала декодер AttUNet, который через полномасштабные скип-соединения обеспечивает эффективное объединение информации на всех уровнях и решает проблему потери информации; предложен модуль внимания сбалансированных признаков, который в сочетании с модулем доработки взаимодополняющих признаков динамически балансирует глобальную семантику и локальные детали, затем целенаправленно усиливает глобальное восприятие заметных объектов и точное сегментирование границ замаскированных объектов, сопровождаемое стратегией глубокого контроля для предотвращения пере-сегментации. Эксперименты показали, что модель превосходит современные методы на трех публичных наборах данных. Структурные метрики на наборах COD и SOD улучшились на 1,02% и 1,83% соответственно по сравнению с лучшими существующими моделями, а средняя абсолютная ошибка снизилась до 0,035 и 0,018. Кроме того, в задаче сегментации дефектов поверхности стали IoU повысился на 2,77%, что эффективно подтверждает способность модели к междоменной генерализации.

сегментация изображения; заметный объект; замаскированный объект; SAM2; механизм внимания