这项由中山大学、鹏城实验室与好意思团结伴开展的盘问，以预印本时局于2026年4月27日发布在arXiv平台，编号为arXiv:2605.00891v1。感酷爱的读者可通过该编号检索竣工论文。

手机里的相机每天拍下无数张相片和视频，东说念主们早已民风了用AI来识别相片里的猫咪、帮相片中的东说念主物换个布景，或者给视频打上自动字幕。相关词，当你果真去看这些AI的"眼睛"时，会发现一件有些奇怪的事——大多数犀利的AI要么只会"看图语言"，要么只会"圈出见地"，却很少有谁能同期把这两件事作念得既好又快，更别说同期应付图片和视频了。

这恰是这项盘问要处分的问题。盘问团队开发了一个名为X2SAM的系统。这个名字里的"X2"不错招引为"苟且到苟且"——苟且的指示，对应苟且类型的图像分割任务，既能处理静止的图片，也能处理动态的视频，且二者共用并吞套大脑。

---

一、为什么咱们需要一个"万能选手"？

在AI视觉限度，有一类特别伏击的任务叫作念"图像分割"——广博地说，便是让AI把画面中每一个像素都归类，精确地圈出"哪些像素属于猫咪"、"哪些像素属于布景"。这就好比一幅填色画，AI需要把每个区域都精确地涂上对应的颜料，而不单是是在画上贴一个标签说"这里有只猫"。

现在已有两类器具各自作念这件事。一类是挑升生成高质料像素级蒙版的"分割基础模子"，比如SAM和SAM2。SAM就像一把精确的好意思工刀，你用鼠标在图上点一个点，它就能把阿谁物体精确地裁出来。但问题是，它只意识鼠标点击、方框之类的"物理手势"，全都不懂语言。你不成跟它说"帮我把视频里那只一直在白墙旁来去走动的东说念主圈出来"——它根底听不懂。

另一类是多模态大语言模子（不错把它招引为"能看图的ChatGPT"），比如LLaVA、Qwen-VL等。这类模子语言招引才调极强，你说什么它都能听懂，但它的输出是翰墨，不是精确的像素蒙版。它能告诉你"这张图里有一只橙色的猫坐在沙发上"，却无法精确地圈出那只猫的每一根髯毛。

在这两类器具之间，有一批"缝合怪"式的盘问试图把二者合并，比如LISA、GLaMM等，它们让语言模子去驱动分割模子，竣事"用语言形色、用像素呈现"的后果。相关词这些模子大多只可处理静态图片，遭逢视频就无法可想；或者能处理视频，却不守旧视觉提醒（也便是说，你没法用鼠标框一个区域告诉它"帮我跟踪这个东西"）。

果真的痛点就在这里：莫得一个模子能同期作念到——招引复杂语言指示、采纳鼠标框选之类的视觉提醒、处理图片、处理视频，况且把扫数这些任务和洽在一个框架里，生成时期上连贯的像素蒙版。X2SAM恰是为了填补这个空白而生。

---

二、X2SAM颖慧什么？一场秘密14种任务的"全科体检"

为了让读者有直不雅感受，不错把X2SAM设想成一位具备"全科才调"的视觉助手，它能采纳各式时局的指示，然后在图片或视频上精确地圈出你照顾的实验。

这位助手能作念的事情，不错从图片和视频两个维度各列举七种才调来招引。在图片维度，它不错作念通用分割（把图里扫数东说念主、车、树都分类圈出来）、盛开词汇分割（圈出苟且你说出名字的东西，包括它从没挑升磨真金不怕火过的类别）、指代分割（把柄"左边阿谁穿红穿着的东说念主"这么的形色圈出见地）、推理分割（把柄"能用来倒进玻璃杯里的东西"这么需要推断的形色找到见地）、接地对话生成（一边形色画面一边在对应的词语上标出蒙版）、交互式分割（你鼠标点一个点或画一个框，它就圈出阿谁区域）、视觉接地分割（你给它看一张参考图里的某个区域，它在见地图里找到对应物体并圈出来）。

在视频维度，这七种才调全部对应地蔓延过来，而且因为视频是一语气的帧序列，每种才调还需要额外处理时期上的连贯性——也便是说，第一帧圈出来的那只猫，在后续几十帧里也要被精确地抓续跟踪。

盘问团队还挑升提议了一项新任务：视频视觉接地分割（V-VGD）。这个任务的设定是这么的：你在视频的第一帧上用鼠标框出一个见地，系统需要自动跟踪这个见地，在扫数这个词视频的每一帧里都生成精确的蒙版。这个任务莫得现成的数据集，盘问团队从两个已有的视频数据集（YT-VIS19和VIPSeg）启程，构建了YT19-VGD和VIPSeg-VGD两个新数据集，并以此建立了V-VGD基准测试体系。

---

三、X2SAM是怎样职责的？一套协同配合的"视觉大脑"

X2SAM的里面结构不错用一个由四个中枢部件构成的团队来招引，每个部件各司其职，却又紧密协调。

第一个部件是"全局视觉招引大脑"，由视觉编码器和大语言模子构成。盘问团队采纳了Qwen3-VL-4B算作这个部件的基础，这是一个同期能看图和招引语言的预磨真金不怕火模子。它认真把输入的图片或视频调度成模子能招引的语义示意，就像把一幅画翻译成一段详备的翰墨形色一样。当你给出一条指示——不管是"圈出左边阿谁拿雨伞的东说念主"，照旧"找出视频里老是靠着白墙走来走去的阿谁东说念主"——这个大脑认真读懂你的意图，并产生一个特殊的指示信号，告诉后续的蒙版生成部件"你该去找什么"。这个指示信号便是所谓的"SEG潜在镶嵌"，不错把它招引为一张含有目口号义信息的"寻找令"。

第二个部件是"细巧像素特征索要器"，也便是蒙版编码器，它来自SAM2的架构。与大语言模子处理的"粗粒度"语义不同，蒙版编码器挑升索要图像的高分辨率、细粒度特征——角落、纹理、局部样貌这些信息。它就像一台高倍放大镜，挑升盯着像素层面的细节，确保最终身成的蒙版角落饱和精确。

第三个部件是"蒙版解码器"，认真把"寻找令"和像素特征合并，生成最终的二值蒙版（即每个像素属于见地照旧布景的判断）。盘问团队在这里作念了一项关节的纠正：引入了"Token-to-Image Attention"（词元到图像把稳力）机制。广博地说，这个机制让语言模子产生的"寻找令"大约径直与空间像素特征"对话"，而不是只是算作一个外部要求附加进来。这么作念的后果是让语义信息和空间信息深度和会，生成的蒙版不仅样貌准确，而且语义对王人更好。为了让这个新机制不唠叨早期磨真金不怕火的褂讪性，盘问团队采纳了"零驱动化"战略，也便是说在磨真金不怕火最入手时这个机制的影响权重为零，跟着磨真金不怕火推动再逐渐阐扬作用——这就像新职工入职时先不雅察、再逐渐参与，而不是第一天就大刀阔斧地改历程。

第四个部件是本盘问最中枢的立异之一：蒙版驰念模块。这个模块挑升处分视频处理中的时期连贯性问题。处理视频的挑战在于，视频是一帧一帧的，而且相邻帧之间的实验变化可能很精巧，也可能很剧烈。若是每一帧都落寞处理，生成的蒙版赓续会"抖动"——前一帧把东说念主圈准了，后一帧蒙版一霎偏移，看起来像是在能干，极不褂讪。

蒙版驰念模块的职责历程分四步进行，酿成一个轮回。当处理视频的某一帧时，它起初通过"驰念把稳力"机制追溯还是处理过的历史帧的视觉特征，将历史信息与现时帧的视觉特征和会，生成时期上连贯的视觉示意。接着，蒙版解码器操纵这个经过时期加权的示意生成现时帧的蒙版。蒙版生成后，"驰念编码器"把现时帧的视觉特征和蒙版商酌放手合并，压缩成一个"指引视觉特征"存入驰念库。驰念库采纳先进先出（FIFO）的战略料理存储空间——最多保存最近若干帧的信息，超出容量时自动丢弃最旧的帧。这就像一个东说念主在看一语气剧时，脑子里会自动保留最近几集的情节来匡助招引现时剧情，而不会无截止地记着每一集的每一个细节。

消融实验（即逐项考证各个组件后果的实验）显现，只加入单模范的浮浅驰念特征提高有限，而加入蒙版指引和类别指引信息、以及多模范特征后，视频指代分割的J&F方针从53.6大幅跳升至65.0，视频推理分割也从36.5升至53.5。这标明，让驰念模块"记着的不单是画面，还有之前圈出来的蒙版样貌和语义类别"，才是时期连贯性的果真关节所在。

此外，盘问团队还盘算推算了一个"区域采样器"，用于处理视觉提醒（即用户用鼠标在画面上点击或框选的区域）。它的职责旨趣是在用户指定的感酷爱区域内进行点采样，然后通过自合乎池化汇聚成紧凑的区域级示意，注入到大语言模子中，让模子知说念"用户关注的是这个特定区域"。这个模块莫得可学习参数，既轻量又高效。

---

四、X2SAM是怎样磨真金不怕火出来的？一套尽心情算的"结伴磨真金不怕火食谱"

磨真金不怕火一个同期处理图片和视频、秘密14种任务的模子，靠近的最大挑战之一是计较资源料理。图片和视频的内存糜费互异极大——一个视频片断可能包含8帧以至更多，内存占用是单张图片的数倍。若是浮浅地把图片和视频混在全部磨真金不怕火，要么内存爆炸，要么遵守极低。

盘问团队的磨真金不怕火分两个阶段进行。第一阶段叫作念"无类别分割器磨真金不怕火"，目的是让蒙版解码器在构兵任何语言指示之前，先学会纯正的样貌和规模感知才调。磨真金不怕火数据使用SAM的SA-1B数据聚拢的蒙版标注，M6体育app官网最新版全都不波及任何类别标签，让解码器只关注"这个区域的详尽是什么样的"。这一步就像在教一个画家先练好素描基础，再谈颜色和实验。消融实验标明，使用SAM竣工的1B数据集（而非子集或COCO数据集）磨真金不怕火这个阶段，能在险些扫数后续任务上都得到更好的后果。

第二阶段是中枢的"和洽结伴磨真金不怕火"，在图片和视频的夹杂数据上同期磨真金不怕火扫数14种任务。为了处分图片和视频内存糜费分歧称的问题，盘问团队盘算推算了一套"维度调度活水线"：关于视频输入，将时期维度和批次维度作念转置，把一个包含T帧的视频拆解为T张落寞的图片，用并吞套图片级接口通过蒙版编码器处理，然后通过蒙版驰念模块串联起时期依赖关系，临了再把T帧的蒙版沿时期维度拼接总结。这么作念的妙处在于，蒙版编码器不需要感知"它在处理视频"，只需要处理一张张图片，大大镌汰了工程复杂度。

批次料理上，视频数据的每开垦批次大小固定为1，图片数据则通过批次乘数扩张为4倍，从而在交流的内存预算下让图片数据的GPU操纵率更高。梯度鸠合战略也把柄模态分开竖立：图片每步更新一次，视频则鸠合多步后再更新，进一步均衡内存与磨真金不怕火褂讪性。此外，一个挑升盘算推算的"时期感知采样器"把时期长度交流的视频片断分到并吞批次，幸免无须要的填充。

最终，和洽结伴磨真金不怕火仅需约3300 GPU小时，而对照实验中的"浮浅结伴磨真金不怕火"需要约5200 GPU小时——纯粹了约36.5%的磨真金不怕火老本，同期在视频任务上还得到了更好的性能。

---

五、X2SAM的实验收获单：在哪些地方弘扬杰出？

盘问团队在多量基准测试上对X2SAM进行了评估，与现存的专用模子和通用模子进行对比。

在图片分割任务上，X2SAM与相似基于图片的通用模子X-SAM比较总体保抓竞争力。在图片通用分割（COCO全景分割PQ 54.1、实例分割mAP 45.8）和指代分割（RefCOCOg考证集cIoU 81.9，创下新的最优收获）上弘扬正经。非凡值得把稳的是，在图片盛开词汇分割任务上，X2SAM得到了31.2 PQ，昭着高于X-SAM的20.9 PQ，诠释X2SAM的语言招引才调带来了更强的泛化才调。在推理分割任务上，X2SAM以64.5 cIoU和71.1 gIoU的收获超过了HyperSeg（分歧向上7.8和11.9个百分点），在测试集的短问题和长问题子集上都得到了那时最优收获。

在视频分割任务上，X2SAM的上风更为权贵。在视频指代分割任务中，X2SAM在Ref-YT21数据集上得到了78.5 J&F，在Ref-DV17数据集上得到了79.0 J&F，超过了此前起初的UniPixel-7B分歧7.5和2.6个百分点。在视频推理分割方面，X2SAM在ReVOS数据集上得到了69.9 J&F，比HyperSeg向上14.2个百分点，以至超过了挑升针对视频指代任务盘算推算的ReferFormer-B专用模子。在视频接地对话生成任务上，X2SAM的mIoU为75.8，比VideoGLaMM向上21.5个百分点，差距相当权贵。

在视觉接地分割任务上，X2SAM在图片端与专用图片模子X-SAM相当（COCO点提醒AP 45.9，框提醒AP 48.5），在视频端则大幅超过了SAM2-H。具体来说，在YT-VIS19数据集的框提醒竖立下，X2SAM得到了74.4 AP，而SAM2-H仅为54.0 AP；在更复杂的VIPSeg数据集上，X2SAM得到了57.8 AP，SAM2-H仅为40.4 AP。这一差距充分诠释，迎面对需要语言招引和时期跟踪双重才调的任务时，纯正依赖初级视觉提醒的SAM2存在昭着短板。

在域外泛化测试（即用从未见过的数据集测试）中，X2SAM在gRefCOCO（包含多见地和无见地抒发式的泛化指代分割数据集）上超过了专用的非MLLM模子ReLA，也超过了PSALM和X-SAM等MLLM通用模子。在ADE20K的盛开词汇分割测试中，X2SAM得到了31.2 PQ、38.2 mIoU和20.2 mAP，全面超过ODISE和X-SAM等对比规律。

此外，X2SAM还保留了出色的图片和视频对话才调，在MMBench、SEED-Bench等图片对话基准测试上得到了83.5和76.0的收获，在VideoMME、MVBench、MLVU、LongVideoBench等视频对话基准测试上也弘扬优异，超过了Video-LLaVA、VideoChat2、VILA-1.5等专注对话的模子。这诠释在为模子加入细巧分割才调时，团队灵验地堤防了模子的通用对话才调退化。

---

六、X2SAM现在还有哪些不及和将来所在？

任何盘问都有其规模，X2SAM也不例外。盘问团队在论文中坦诚地指出了三点局限性。

第一，跨模态的和洽磨真金不怕火仍然计较支拨较大，尤其是视频数据的内存占用问题，即便有了现存的优化战略，磨真金不怕火老本依然不低，这关于资源有限的盘问团队来说是一个门槛。

第二，固定大小的FIFO驰念库关于超长视频来说可才调不从心。若是见地在视频中资格了万古期讳饰、剧烈外不雅变化，或者澌灭很久后又从新出现，有限容量的驰念模块可能无法灵验保存关节的历史信息，导致跟踪失败。

第三，算作一个通用模子，X2SAM在某些高度挑升化的单一任务上仍然过时于专用模子——比如专注于视频对象分割的SAM2-H，在YT-VOS19上的J&F为88.8，而X2SAM为74.0。这是通用性与专科性之间不朽的衡量弃取。

盘问团队示意，将来职责将探索更高效的磨真金不怕火规律、更轻量的主干汇注，以及自合乎的万古程驰念机制，以期在可扩张性和鲁棒性上进一步提高。

---

归根结底，X2SAM这项职责的中枢价值在于讲解了一件事：让AI同期看懂图片和视频、同期采纳语言和视觉提醒、同期处理从通用分类到复杂推理的各式任务，并不需要七八套落寞的系统勉强在全部——一个和洽的框架，加上尽心情算的驰念机制和磨真金不怕火战略，就不错作念到。这种"大一统"的想路，不仅在工程上更整洁，在性能上也莫得付出昭着的代价，在好多任务上反而因为跨任务的学问分享而有所增益。

对普通用户而言，这意味着将来的AI视觉助手可能会变得愈加万能——你不错径直对着监控视频说"帮我跟踪阿谁红色背包的东说念主"，或者对着一段家庭视频说"把两个孩子分歧圈出来并标注他们的畅通轨迹"，系统会当然地招引你的意图并生成精确的时期连贯蒙版，而不需要你先选模子、再选任务、再分歧操作。

诚然，从盘问原型到日常可用的居品，还有相当长的路要走，但X2SAM的出现标明这条路的所在是了了的。有酷爱长远了解时期细节的读者，不错通过arXiv编号2605.00891查阅竣工论文，代码也已在GitHub上以wanghao9610/X2SAM的地址开源。

---

Q&A

Q1：X2SAM和SAM2有什么区别，为什么不径直用SAM2？

A：SAM2是一个优秀的分割器具，但它只意识鼠标点击和方框这类"物理提醒"，全都不睬解语言。你没法跟SAM2说"圈出视频里一直在白墙旁走动的东说念主"，它听不懂。X2SAM在SAM2的基础上加入了大语言模子，能招引复杂的翰墨形色以至需要推理的指示，同期通过蒙版驰念模块保抓视频中的时期连贯性。两者的适用场景不同，SAM2更像一把精确的剪刀，X2SAM更像一个能听懂指示的智能裁剪助手。

Q2：X2SAM的蒙版驰念模块是怎样保证视频中见地不丢失的？

A：蒙版驰念模块珍惜着一个"更正驰念库"，保存最近若干帧（默许6帧）的视觉特征和蒙版信息。处理每一帧时，系统会先追溯这些历史记载，把历史信息与现时帧和会，生成时期上连贯的特征，再据此生成蒙版。处理完后，现时帧的信息又被存入驰念库，最旧的帧被自动丢弃。这种"上前看历史、向后传情状"的机制灵验幸免了逐帧落寞处理时产生的蒙版抖动和见地丢失问题。

Q3：X2SAM需要几许GPU才调磨真金不怕火，普通盘问团队能用吗？

A：X2SAM的竣工磨真金不怕火在32块NVIDIA H800 GPU上进行，和洽结伴磨真金不怕火阶段估量约糜费3300 GPU小时。这对大多数高校实验室来说照实是不小的门槛。不外盘问团队还是开源了代码和模子权重，普通盘问东说念主员不错径直使用预磨真金不怕火好的模子进行推理或在极少据集上微调米乐体育(M6Sports)官网入口，不需要重新复现竣工磨真金不怕火历程。

金沙JinSha(中国)娱乐网入口