CMaP-SAM：基于压缩映射先验的SAM驱动小样本分割方法

本文提出CMaP-SAM框架，创新性地将压缩映射理论（Contraction Mapping）引入小样本分割（FSS）任务，以优化Segment Anything Model（SAM）的位置先验。通过构建具有收敛保证的巴拿赫压缩映射、自适应分布对齐模块和前背景解耦优化架构，有效解决了连续概率先验与SAM离散提示（point prompts）之间的表征鸿沟，在PASCAL-5i和COCO-20i数据集上分别达到71.1和56.1 mIoU的领先性能。

　　

亮点

• •
  CMaP-SAM创新性地将压缩映射理论（Contraction Mapping）与SAM结合用于小样本分割（FSS），把位置先验优化构建为具有收敛保证的巴拿赫压缩映射，实现位置先验的迭代优化。
• •
  提出自适应分布对齐模块，弥合连续概率先验与SAM二值掩码提示编码器之间的表征差异。
• •
  设计前背景解耦优化架构，通过处理前景物体与背景区域固有的不对称性生成精准分割掩码。
• •
  大量实验验证CMaP-SAM有效性，在PASCAL-5ⁱ和COCO-20ⁱ数据集上分别达到71.1和56.1 mIoU的最优性能。

小样本分割

现有小样本分割方法主要分为基于原型和基于匹配的方法。基于原型的方法从支持图像提取代表性特征指导查询图像分割，早期研究使用掩码平均池化获取单一全局原型，后续研究发展多原型方法分解前景信息，近期进展探索更精细的原型表示和融合策略。基于匹配的方法通过密集特征匹配对齐支持-查询对，利用度量学习或注意力机制传递分割知识。尽管这些方法取得进展，但SAM的出现为小样本分割开辟新方向，通过提示机制实现零样本泛化。

问题设置

小样本分割旨在将学习的分割能力迁移到仅有极少量监督的新物体类别。在此学习范式中，模型必须从丰富的基类数据（包含类别）中获取可泛化的表征知识，随后适应分割未见过的类别（包含类别），其中基本约束通过严格的类别分离保持评估完整性。典型的小样本分割任务设置为N-way K-shot，即每个任务包含N个类别，每个类别有K个标注的支持样本。模型目标是利用有限支持集信息，准确分割查询图像中的新类别目标。

数据集与评估指标

数据集：遵循既定协议，使用三个基准进行评估：PASCAL-5ⁱ、COCO-20ⁱ和FSS-1000。PASCAL-5ⁱ基于PASCAL VOC 2012构建，包含20个语义类别分为4个折，每折5个类，有10582张训练图像和1449张验证图像。COCO-20ⁱ基于MS COCO构建，80个类别分为4个折，每折20个类（82081张训练，40137张验证图像）。FSS-1000包含1000个类别，每个类别有10张标注图像。

结论

本文提出CMaP-SAM框架，通过三个组件有效弥合Segment Anything Model与小样本分割任务间的差距。首先，将位置先验优化数学重构为巴拿赫压缩映射，提供收敛保证同时保留语义信息和结构相关性。在此基础上，开发自适应分布对齐模块连接连续概率分布与SAM的离散提示空间，减少信息损失。最后，前背景解耦架构通过不对称处理提升边界精度。综合实验证明框架有效性，为SAM驱动的小样本分割提供新思路。