https://arxiv.org/pdf/2304.02643v1.pdf

包含三个主题：Task、Model、Data

Task（任务）：

需要定义一个 足够通用的图像分割任务，可以提供一个强大的预训练目标，并支持广泛的下游应用程序。

Model（模型）：

模型一共包含三个部分：image encoder, prompt encoder, mask decoder

data（数据集）：

SA-1B

上述三者之间的关系：先定义了图像分割任务之后，需要用模型来演绎，但是训练模型又需要数据集，然后没有现成的具有很多mask的数据集，就干脆用 data engine 来边生成数据边改进模型。

模型架构

image encoder为图像生成一次性的embedding，而 prompt encoder 将 prompt 实时的转换为 嵌入向量。然后将这两个信息源组合在一个预测分割mask的 轻量级mask解码器中。计算之后，SAM就可以在50ms内 根据浏览器中的任何提示生成一个 分割。

数据集

标注者使用 SAM 交互地注释图像，之后新注释的数据又反过来更新 SAM，可谓是相互促进。

使用该方法，交互式地注释一个掩码只需大约 14 秒。与之前的大规模分割数据收集工作相比，Meta 的方法比 COCO 完全手动基于多边形的掩码注释快 6.5 倍，比之前最大的数据注释工作快 2 倍，这是因为有了 SAM 模型辅助的结果。

最终的数据集超过 11 亿个分割掩码，在大约 1100 万张经过许可和隐私保护图像上收集而来。SA-1B 的掩码比任何现有的分割数据集多 400 倍，并且经人工评估研究证实，这些掩码具有高质量和多样性，在某些情况下甚至在质量上可与之前更小、完全手动注释的数据集的掩码相媲美 。

我认为这篇文章比较厉害的点：

Data Engine

可以边生成数据，边用这个数据改进模型，然后在用这个模型生成数据，迭代迭代迭代……