中文标题：分割一切模型(SAM)的轻量化研究综述

英文标题：A Survey of Lightweight Techniques for Segment Anything Model

来源期刊：电子与信息学报

基金项目：Laboratory of Target Cognition and Application Technology under Grant 2023-CXPT-LC-005, Science and Disruptive Technology Program under Grant AIRCAS2024-AIRCAS-SDTP-03, Key Program of Chinese Academy of Sciences uner Grant RCJJ-145-24-13 and KGFZD-145-25-38

作  者：罗一畅^{1, 2, 3, 4} 齐析屿^{1, 2, 3, 4} 张博锐⁵ 师汉儒^{1, 2, 3, 4} 赵妍^{1, 2, 3, 4} 王磊^{1, 2, 3} 刘世雄^{1, 2}

作者单位：1. 中国科学院空天信息创新研究院 北京 100094
2. 目标认知与应用技术重点实验室 北京 100094
3. 中国科学院大学 北京 100190
4. 中国科学院大学电子电气与通信工程学院 北京 100190
5. 新加坡国立大学 新加坡 119077

摘  要：Meta公司提出的分割一切模型(Segment Anything Model, SAM)作为计算机视觉领域的基础模型，在图像分割、目标检测与跟踪等任务中展现出强大的零样本泛化能力。然而，SAM模型依赖计算密集型的图像编码器(如ViT-H)和复杂的任务解码架构，导致高昂的计算资源消耗和存储需求，严重限制了其在边缘设备、移动终端等资源受限场景中的实际部署。为提升SAM的实用性，近年来研究者提出了多种轻量化方法。该文系统性综述了相关进展：首先，从任务范式、模型架构、数据引擎和应用领域等多方面简要介绍了SAM的基本情况。其次，回顾了高效基础架构替换、知识蒸馏、模型量化和模型剪枝等模型压缩方法。在此基础上，进一步概述了重构模型结构和轻量化网络替代等方法在当前SAM轻量化研究中的具体应用情况。最后，聚焦效率和精度上的平衡问题，对SAM轻量化模型未来的发展方向进行了深入分析和讨论。

全文链接： https://jeit.ac.cn/cn/article/doi/10.11999/JEIT250894