vivo推出AI图像分割模型ASAM，提升分割精度，应用场景广泛
vivo公司近日发布了全新的AI图像分割模型ASAM（Adversarial Adjustment of Segment Anything Model），该模型通过对抗性调整，显著提升了原有SAM模型的性能，在医学图像分析、自动驾驶、机器人视觉、增强现实等领域拥有广泛的应用前景。
ASAM的核心技术在于利用对抗性训练，通过向模型输入精心设计的扰动，来提高模型的泛化能力。该模型特别关注自然对抗性示例，这些示例在视觉上与正常样本相似，但能够在模型的决策边界附近产生扰动，从而迫使模型学习更鲁棒的特征。
为了生成这些自然对抗性示例，ASAM采用了稳定扩散模型，对SA-1B数据集的一个子集进行增强。这种方法能够在保持图像质量的同时，引入细微的扰动，确保生成的对抗性样本与原始图像具有相同的视觉真实性，并与原始的掩模注释保持对齐。
通过使用这些对抗性样本对原有的SAM模型进行微调，ASAM能够在不改变原始架构的前提下，显著提升模型的分割精度。
ASAM在多个应用场景中展现出巨大的潜力：
- 医学图像分析： ASAM可以用于提高医学图像分割的准确性，辅助医生进行疾病诊断和治疗规划。例如，它可以帮助医生更准确地识别肿瘤边界，为手术提供更精准的指导。
- 自动驾驶汽车： 在自动驾驶技术中，ASAM可用于提高道路和物体的分割精度，增强车辆对周围环境的理解能力。例如，它可以帮助自动驾驶汽车更准确地识别行人、车辆和交通信号灯，提高驾驶安全。
- 机器人视觉： 在机器人技术中，ASAM可以帮助机器人更好地理解其工作环境，进行精确的物体识别和操作。例如，它可以帮助机器人更准确地抓取物体，完成更复杂的任务。
- 增强现实（AR）： 在AR应用中，ASAM可以提升虚拟对象与现实世界融合的自然度，提供更加沉浸式的体验。例如，它可以帮助AR应用程序更准确地识别现实世界中的物体，并将其与虚拟对象进行融合，创造更加逼真的AR体验。
ASAM的发布标志着vivo公司在AI图像分割领域取得了重大突破，也为该技术在更多领域的应用打开了新的可能性。 vivo公司表示，未来将继续致力于AI技术的研发，为用户提供更加智能、便捷的服务。
相关链接：
- GitHub仓库：https://github.com/luckybird1994/ASAM
- Hugging Face模型库：https://huggingface.co/spaces/xhk/ASAM
- arXiv技术论文：https://arxiv.org/pdf/2405.00256
【source】https://ai-bot.cn/asam/
Views: 3