智东西（公众号：zhidxcom）
编译 | 吴菲凝
编辑 | 李水青

智东西4月6日消息，根据Meta官方博客，Meta在本周三推出了一个AI模型Segment Anything Model（SAM，分割一切模型），能够根据文本指令等方式实现图像分割，而且万物皆可识别和一键抠图。

▲Meta AI在推特宣布发布SAM模型

Meta在博客中称，SAM的灵活性在图像分割领域内属首创，SAM以交互式方式标注一个掩码（mask）仅需约14秒。英伟达AI研究科学家Jim Fan称，该模型的发布是计算机视觉领域的“GPT-3时刻”，因为该模型能对从未训练过的图片进行精准分割。在推出SAM的同时，Meta还发布了一个图像注释数据集Segment Anything 1-Billion mask（SA-1B），该数据集包含超11亿个掩码，据称是同类数据集中最大的。

目前，Meta内部已经在使用SAM技术来进行标记照片、审核内容以及向Facebook和Instagram用户推荐内容等，同时更多在VR/AR、智慧农业等领域的颠覆性应用畅想也在官网展示了出来。

Meta研发团队在官网上发布了关于Segment Anything的论文细节。

论文链接：
https://ai.facebook.com/research/publications/segment-anything/

一、鼠标停留、手动框选、自动分割，三种方式实现图像切割

SAM可以识别图像和视频中的任何物体，即使是在此前的训练过程中从未遇到过的。Meta官网中提供了SAM的免费演示，并为用户提供了三种分割图像部分的方法：

一是“悬停和点击（Hover&Click）”，当用户把鼠标放在想要分割出的部分上并点击时，SAM会自动提取出该部分。

二是“方框（Boxing）”，用户将自己想要的部分框定出来，SAM会识别其中的物体并将其与背景进行分割。

三是“全选（Everything）”，在这种模式下SAM会自动识别图像内的所有物体。

虽然还没有发布产品，但Meta已展示了SAM的部分功能，目前官网介绍的功能包括：用交互点式和手动框定来选择物体；

SAM自动分割图像中的所有内容；

自动给不明确的提示生成多个valid mask（有效掩码），让用户能精准选中图像；

此外，SAM还可与其它系统灵活集成，从其它系统中获取输入提示，比如，从AR/VR头显中获取用户的视线范围来选择对象，甚至还能将看到的物体转换成为3D对象。

SAM还能启用文本框输入来检测界定对象，当用户在文本框中输入“cat（猫）”这个单词时，SAM会框定住图像中所有的猫，并在框中精确选取猫的整个图像轮廓。

SAM的有效输出掩码（valid mask）还可以用作其他AI系统的输入，如当用户选中一张椅子的图片后，SAM可以精确选中，并在视频中跟踪物体遮罩，自动启用图像编辑应用程序，把静态物体转化为3D或是碎片拼贴等状态。

二、领域内首创：由1000万张图片训练，可提取11亿+掩码

在自然语言处理和计算机视觉领域，基础模型是其发展的重要基础，基础模型可以使用“prompting（促进）”技术对新数据集和任务执行零样本和少样本学习。Meta从中汲取了灵感，并对SAM模型进行训练。

在Meta发布一篇论文中，研发团队人员详细介绍了SAM的相关细节。

▲基础分割模型的三个关联组件

常见的图像分割方式包括两种，一是交互式分割，二是自动分割。前者需要工程师通过迭代完善一个遮罩来指导模型，后者是模型在经过数百或数千个注释对象的训练后自行完成，但同样需要训练者手动标注分割对象。

这两种方法都无法实现全自动的图像分割，而SAM将二者的功能进行融合。在模型的提示界面上，用户只需要为模型提供正确的提示，比如点击、框选或是文本指令，模型就可以完成全自动的图像分割任务。这就意味着，用户不再需要收集自己的细分数据来微调模型。

▲在Web浏览器中，SAM有效映射图像特征和一组提示嵌入来生成分割掩码

在引擎盖下，轻量级编码器将任何提示实时转换为嵌入向量（embedding vector），然后将信息源组合在一个预测分割掩码的轻量级解码器中。在计算图像嵌入后，SAM 50毫秒内就能根据网络浏览器中的任何提示生成一个切割好的图像。

论文中称，SAM能根据输入提示为图像中所有对象生成高质量的对象掩码（mask），用于训练SAM的SA-1B图像数据集目前包含超过11亿个掩码，这些掩码是从1100万张已经获得许可、并且保护隐私的高分辨率图像中收集的，这些图像的分辨率达到了1500×2250 pixels，平均每张图像约有100个掩码。

▲原始图片和SAM提取的图像进行对比

Meta在论文中指出，有了SAM模型，收集新分割掩码的速度远超以往，交互式标注一个掩码现在只需要约14秒。其数据集数量也是现在任何一个数据集的400倍。这种高自动化、高灵活性的图像分割技术为领域内首创。

三、CV领域的“GPT-3时刻”，或变革VR/AR

Meta官方称，通过在业内共享这项研究和数据集，公司希望进一步加速对分割图像视频的研究。这款可提示分割模型可以作为更大系统中的组件来执行分割任务。Meta预计，SAM或将成为AR/VR、内容创作等领域的强大组件之一，有望创造出更为通用的AI系统。

英伟达AI研究科学家Jim Fan称“今天是计算机视觉领域的‘GPT-3 时刻’之一”，SAM已经了解了“对象”的概念，甚至对于不熟悉乃至未知的场景和那些模棱两可的情况，它都能进行切割。Jim称难以想象它的模型和数据居然都是开源的。

他指出了SAM的秘诀：

1、一个非常简单但可扩展的架构，采用文本、关键点、边框等多种提示模式；

2、与模型设计密切相关的人工操作渠道；

3、一个数据飞轮，允许模型自主学习那些未标记的图像。

扎克伯格称，将这种生成式AI作为“创意辅助工具”纳入到Meta的应用程序中是今年工作目标的重中之重。

目前，SAM模型和数据集仅在非商用许可下提供下载，用户在将自己的图片上传到原型上时，必须承诺不将其用作研究。

未来，SAM可用于通过AR眼镜识别日常物品，向用户发出提醒和指示。

SAM也将对其他领域产生影响，比如指导农民进行粮食生产或协助生物学家进行研究等。

结语：图像分割再进化，Meta掀起CV革命？

图像分割技术并非是新鲜事，但SAM能识别出训练数据集中不存在的物体，或许将会引发新一轮AI视觉应用潮。未来，Meta通过分享他们的研究和数据集，将会使这类组合系统设计在多个领域得到广泛应用。SAM将会是内容创作、图像生成等更为普遍的AI领域的一个强大组件，让图像识别和视觉内容的语义理解之间更好耦合，释放出更强大的AI潜力。

来源：Meta官方、路透社