标签
LoCaR 是一个无需训练的局部文本到图像检索框架,它结合 SAM2 生成的候选区域与冻结的视觉语言编码器,并提供可选的成对支持样本适配机制,同时引入了 LOCFG——一个基于 Visual Genome 的基准,用于评估对尺寸小且具有挑战性的指代对象的检索能力。
tamserve 是一个开源的实时多摄像头目标跟踪服务引擎,让单份 SAM 2 / EdgeTAM 模型同时追踪所有摄像头中的所有目标,显存占用降低约 4 倍、速度提升 11%-24%,且支持按名称跟踪与多 GPU 路由。
SAM2Matting 引入了一种从追踪到抠图的框架,通过区域建议桥接和抠图头增强 SAM2 等基础追踪器,即使在仅用图像训练的情况下,也能实现最先进的视频抠图性能,并在多样场景中展现出强大的泛化能力。
AuralSAM2通过AuralFuser模块将音频集成到SAM2中,该模块从视听特征生成稀疏和密集提示,在保持交互效率的同时增强跨模态分割。