本文来自格隆汇专栏：中金研究，作者：于钟海 王之昊 等

2023年4月5日，Meta发布通用的图像大模型Segment Anything Model（SAM），是一个可以接受文本提示、基于海量数据训练而获得泛化能力、可以对任意图片进行分割的模型。基于网络上的大规模数据训练出来的自然语言模型正在革新AI行业，SAM的出现代表计算机视觉领域（CV）出现类ChatGPT突破，通过提示工程可以解决不同的下游分割任务，我们认为CV应用相关产业趋势值得关注。

摘要

SAM实现了图像分割这一计算机视觉领域重要任务，具备多个设计亮点。图像分割的重要性体现在对象识别、对象检测、图像编辑、医学成像、便利下游任务等功能中。SAM融合了提示学习技术灵活地实现模型构建，通过交互注释构建图像引擎，在实例分析、边缘检测、物体提议、文字到掩膜等技术方面表现较好，但在其他项目具有局限性。尽管SAM的数据集已经开源，但仅供研究使用，不可商用。

我们认为SAM有望引领元宇宙概念的再次兴起。我们认为未来算力提升后的SAM模型将实现MR、XR场景下的交互，成为元宇宙和诸多领域在用户交互的基础能力。随苹果MR设备的发布，元宇宙或迎来再次兴起。

技术突破可能带来CV应用的持续渗透。CV能力的增强利好整体CV行业应用的渗透，获得用户的认可与用户支出的倾斜。我们认为未来需要关注CV领域应用，如自动驾驶、安防和智慧城市、家庭用摄像头和机器人、工业质检和工业视觉、MR和XR等，及数据标注、基础算法等其他领域应用。

风险

技术进展不及预期，行业竞争加剧，商业化落地节奏不及预期。

Segment Anything简介

Segment Anything Model（以下简称“SAM”）为Meta最新成果。在这篇论文中，Meta构建了一个可以对任意图片进行分割的模型，并根据模型提供了一个高质量的10亿掩模图片数据集（SA-1B）。

基于网络上的大规模数据训练出来的自然语言模型（“LLM”）正在革新AI行业，其具备较强的零样本学习（Zero-shot）和小样本学习（Few-shot）学习能力，是泛化的通用模型。在自然语言领域，我们已经见证了GPT-4、LLAMA等多个知名模型具备上述的强大能力。但在计算机视觉领域（“CV”），相关的研究较少。CLIP和ALIGN两个将文本和图像连接起来的模型是这一领域亮眼的工作。基于CLIP，OpenAI进一步开发了DALL.E系列模型，将文本提示（“Prompt”）直接转换为图像，Demo如链接：https://segment-anything.com/demo。

SAM模型建立了一个可以接受文本提示、基于海量数据训练而获得泛化能力的图像分割大模型。在SAM基模型之上，通过提示工程后可以解决不同的下游分割任务。根据官方的能力说明，SAM可以完成如下任务：

► SAM允许用户通过单击或交互式单击要包括和排除的点来分割对象。该模型还可以通过边界框提示。

►当面临分割对象的模糊性时，SAM可以输出多个有效的遮罩，这是解决实际分割问题的重要而必要的能力。

►SAM可以自动查找并遮罩图像中的所有对象。

►SAM可以在预计算图像嵌入之后，实时为任何提示生成分割遮罩，从而允许与模型进行实时交互。

图表1：通过鼠标的悬停，可以选中任意一个物体分割出来；或者通过鼠标圈选一个框，可以提取框中的所有物体。

资料来源：MetaAI，中金公司研究部

图表2：使用Everything功能可以直接提取所有的物体，并在cut-outs里面看到它们

资料来源：MetaAI，中金公司研究部

什么是图像分割，为什么要图像分割？

图像分割是计算机视觉中的一项重要任务，它涉及到将图像划分为多个区域或片段，每个区域或片段代表图像的一个有意义的部分。图像分割的重要性主要表现在下列功能上：

► 对象识别：图像分割有助于识别和确认图像中的不同物体。通过将图像分为不同的区段，每个区段都可以被单独分析，从而更容易识别物体和它们的属性。

► 对象检测：图像分割也可以帮助检测图像中的物体，把它们从背景中分离出来。这在自动驾驶等应用中特别有用，自动驾驶汽车需要检测其他汽车、行人和障碍物。

► 图像编辑：图像分割是许多图像编辑任务中的一个重要步骤，如去除物体、颜色校正和图像合成。通过将图像划分为不同的片段，单个片段可以被修改而不影响图像的其他部分。

► 医学成像：在医学成像中，图像分割被用来从医学图像中提取特定结构或潜在病灶存在的区域。这可以帮助诊断、治疗计划和监测各种疾病。

► 便利下游任务：图像分割的下游工作包括物体识别、物体检测、物体跟踪、图像修复、图像分类和许多其他计算机视觉任务。这些任务需要准确和有效的图像分割作为预处理步骤，以便从图像中提取有意义的信息。

Segment Anything Model的设计亮点

SAM的基础架构包含三个关键部分：可提示的分割任务，SAM模型，以及一个超过1100万张照片、超过10亿的掩膜（Mask，指分割出来的结果）的数据集。

图表3：SAM的基础架构包含三个关键部分

资料来源：《Segment Anything》（Kirillov et al., 2023），中金公司研究部

任务定义：SAM融合了提示学习技术——NLP领域已经大规模的使用了提示学习技术，MetaAI团队尝试将NLP领域的提示翻译为文本分割领域的提示。在文本分割领域，MetaAI定义的一个提示可以是一个勾选框、一个点或者自然语言。

模型构建：SAM需要同时满足三个限制：1）灵活的提示；2）实时计算掩膜；3）支持模糊的感知能力。而SAM模型通过一个图像编码器（image encoder）和一个快速提示编码器/掩膜解码器（Fast prompt encoder/mask decoder）更好地解决了这个问题。

SAM具备高效灵活的模型设计。在打开图片使用后，仅需0.15秒可计算出图片的嵌入（Embeddings）, 之后在网页上用CPU处理，在0.55秒内即可对文本提示/掩膜进行轻量化的编码/解码。

图表4：SAM具备高效灵活的模型设计

资料来源：MetaAI Blog，中金公司研究部

图像引擎：为了实现模型的强大泛化能力（可以在Zero-shot基础上识别各种物体），SAM的训练需要庞大的分割过的图像数据，然而目前并没有这么丰富的数据集。因此MetaAI建立了一个Data engine。在第一阶段，SAM帮助标注人员来进行掩膜的标注；在第二阶段，训练人员目标于增加物体的多样性，以帮助SAM可以标注各种物体。此时，SAM可以自动标注一批物体，而标注人员只要标注其他的部分即可；在最终阶段，通过在图片上施加一个点组成的矩阵来识别，SAM可以自动在一个图片上平均每张产生~100个高质量的掩膜。

注意，这个模型的训练过程还是需要专业的标注人员。但是通过交互式的注释，在第一阶段一个掩码标注平均只需要14秒时间（比COCO掩码标注快6.5倍）。

图表5：SAM模型进行图像分割的示例，来自SA-1B

资料来源：《Segment Anything》（Kirillov et al., 2023），中金公司研究部

模型训练的成本

模型训练过程中，Meta从一位版权图片提供商处获得了图片，具体的费用未被披露。在训练过程中，Meta使用了256张英伟达A100 GPU训练了68小时，相对成本并不算高昂。

模型的局限性

SAM模型在Zero-shot的点击物体生成对应掩膜（点击一下物体，即可把它提取出来），以及边缘检测、物品发现、实例分割等项目上都有很好的表现。但在Zero-shot文字到掩膜上表现一般，有时候需要人类给一个点的提示，可能表现会更好一些。MetaAI团队在论文中也承认这边的探索仍有更多的工作可以做。

图表6：SAM模型表现较好的项目

资料来源：《Segment Anything》（Kirillov et al., 2023），中金公司研究部

图表7：用文字要求SAM找到雨刷（Wipers），可能会失败；但是如果给一个点的提示，它能够找到一个完整的雨刷，甚至触类旁通找到旁边的雨刷

资料来源：《Segment Anything》（Kirillov et al., 2023），中金公司研究部

SAM模型尽管表现较好，但对于垂类领域的专用模型来说，可能在精度上表现不佳。与此同时，对于一些小的连接件，可能会错误的标注出来。在边缘的精度上，也没有一些算力需求更大的算法那么精细。

图表8：SAM模型将柯基的项圈也分割了出来

资料来源：MetaAI，中金公司研究部

许可和限制

SAM模型本体为Apache 2.0协议，为宽松协议，可商用，可修改。虽然一般Meta都会额外要求不可商用，但我们目前还没看到相关的条款。论文中注明 ，SA-1B数据集在Apache 2.0许可证下开源，但仅供研究使用，项目地址如链接。

图表9：SA-1B数据集不可商用，仅供研究使用

资料来源：MetaAI，中金公司研究部

未来展望：潜在用例和影响

一个识别各种物体的通用CV模型要出现了？

尽管目前SAM模型的文字到掩膜能力尚未臻于完善，但是可能我们距离一个能够识别，并且知道自己识别了什么物体的通用模型是否更近了一步？这可能是有些人认为CV将不存在的原因。

图表10：SAM模型的文字到掩膜案例

资料来源：MetaAI，中金公司研究部

元宇宙概念的再次兴起

算力提升后的SAM模型将成为元宇宙和诸多领域在用户交互上的基础能力。Meta在元宇宙上投入颇丰，我们预计，未来SAM算法有望根据用户的目光跟踪，随时注意到用户正在观察的物体，成为MR、XR场景下非常重要的基础交互能力。若进一步打开想象，当我们手指物体，命令机器人或者摄像头“把那个打开/拿给我”，机器人或者摄像头也能相应理解我们的意思。元宇宙的到来（聚焦于XR和三维化）可能比每个人想象的都快。我们认为，跟随苹果MR设备的发布，元宇宙可能迎来再次兴起的热潮。

CV应用的持续渗透

CV能力的增强，利好整体CV行业应用的渗透，CV的能力越强，相关的应用就能更加的获得用户的认可，获得用户支出的倾斜。可以概括为：有摄像头的场景都可能成为受益场景。在自动驾驶领域，CV应用有利于加速数据标注，加速算法迭代，更快拥抱L5级自动驾驶的诞生。在C端应用领域，将提供更丰富的功能，提升用户粘性和价值。

其他领域

数据标注：SAM的算法对于数据标注行业的影响显而易见，我们预计把握先机的龙头企业将继续凭借R&D优势冲击中小长尾企业。

基础算法：对于CV基础算法企业，来自海外大厂和开源的竞争愈发明显，我们认为行业集中度将逐渐提升，需要关注领先大厂。

MLOps（人工智能研发运营一体化，Machine Learning Operations）：旨在统一机器学习系统开发和系统部署，通过标准化过程持续交付高性能模型。随着CV和NLP的发展，MLOps均会受益。

注：本文摘自中金公司2023年4月9日已经发布的《中金前沿论文导读：Segment Anything，CV领域新进展》，报吿分析师：

于钟海  分析员 SAC 执证编号：S0080518070011 SFC CE Ref：BOP246

王之昊  分析员 SAC 执证编号：S0080522050001 SFC CE Ref：BSS168

魏鹳霏  联系人 SAC 执证编号：S0080121070252 SFC CE Ref：BSX734