Aunque las características visuales de la detección de objetivos destacados y de objetivos camuflados son opuestas, ambos requieren una alta precisión en la segmentación de bordes. Sin embargo, los métodos actuales a menudo enfrentan cuellos de botella de rendimiento al generalizar entre tareas debido a la preferencia por características únicas. Por ello, en este artículo se propone un modelo de segmentación universal llamado SAM2-UFFM. Este modelo utiliza la red Hiera de SAM2 como codificador, congelando los parámetros preentrenados e introduciendo un adaptador liviano para lograr una afinación eficiente de parámetros, manteniendo completa capacidad expresiva de características potentes; abandona la arquitectura tradicional U-Net, diseñando un decodificador AttUNet que, a través de conexiones de salto a todas las escalas, fusiona eficazmente la información de todas las escalas, resolviendo efectivamente el problema de pérdida de información; propone un módulo de atención de equilibrio de características, combinado con un módulo de refinamiento complementario de características, que equilibra dinámicamente la semántica global con los detalles locales, posteriormente refuerza de manera específica la percepción global de los objetivos destacados y la segmentación precisa de los bordes de objetivos camuflados, apoyado además por una estrategia de supervisión profunda para prevenir la sobresegmentación. Los resultados experimentales muestran que el modelo supera los métodos avanzados existentes en tres conjuntos de datos públicos. Las métricas estructurales en los conjuntos COD y SOD mejoraron en un 1,02% y 1,83% respectivamente en comparación con el mejor modelo existente, y el error absoluto promedio disminuyó a 0,035 y 0,018. Además, en la tarea de segmentación de defectos en la superficie del acero, el IoU mejoró un 2,77%, lo que valida eficazmente la capacidad de generalización entre dominios del modelo.

segmentación de imagen; objetivo destacado; objetivo camuflado; SAM2; mecanismo de atención