#高质量分割

SAM-HQ是对原始SAM模型的改进版本，专注于提高零样本图像分割的质量。该模型保留了SAM的灵活提示和泛化能力，同时通过引入可学习的高质量输出标记和特征融合策略，显著提升了分割效果，特别是对于复杂结构的物体。SAM-HQ仅增加少量参数就实现了性能的大幅提升。在9个不同领域的数据集测试中，SAM-HQ在各类下游任务中均表现优于原始SAM模型。

EntitySeg是一个专注于开放世界和高质量图像分割的开源工具箱。它集成了多种前沿算法，如开放世界实体分割、超高分辨率图像分割和类别无关半监督学习。该工具箱支持多个研究项目，应用范围广泛，从基础图像分割到复杂场景理解。EntitySeg为计算机视觉领域的研究人员和开发者提供了实用的工具和资源。