这项由中山大学、鹏城本质室与好意思团合股开展的规画，以预印本神色于2026年4月27日发布在arXiv平台，编号为arXiv:2605.00891v1。感兴味的读者可通过该编号检索齐备论文。

手机里的相机每天拍下无数张像片和视频，东谈主们早已民风了用AI来识别像片里的猫咪、帮像片中的东谈主物换个布景，或者给视频打上自动字幕。经营词，当你信得曩昔看这些AI的"眼睛"时，会发现一件有些奇怪的事——大多数强横的AI要么只会"看图话语"，要么只会"圈出看法"，却很少有谁能同期把这两件事作念得既好又快，更别说同期顶住图片和视频了。

这恰是这项规画要贬责的问题。规画团队开发了一个名为X2SAM的系统。这个名字里的"X2"不错涌现为"狂放到狂放"——狂放的指示，对应狂放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，且二者共用销毁套大脑。

---

一、为什么咱们需要一个"万能选手"？

在AI视觉范畴，有一类相等迫切的任务叫作念"图像分割"——平庸地说，即是让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"。

当今已有两类器具各自作念这件事。一类是专诚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，它只执意鼠标点击、方框之类的"物理手势"，十足不懂语言。你不成跟它说"帮我把视频里那只一直在白墙旁往复往返的东谈主圈出来"——它根底听不懂。

另一类是多模态大语言模子（不错把它涌现为"能看图的ChatGPT"），比如LLaVA、Qwen-VL等。这类模子语言涌现才能极强，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"式的规画试图把二者合并，比如LISA、GLaMM等，它们让语言模子去驱动分割模子，完毕"用语言刻画、用像素呈现"的后果。经营词这些模子大多只可处理静态图片，遭受视频就安坐待毙；或者能处理视频，却不支持视觉辅导（也即是说，你没法用鼠标框一个区域告诉它"帮我跟踪这个东西"）。

信得过的痛点就在这里：莫得一个模子能同期作念到——涌现复杂语言指示、禁受鼠标框选之类的视觉辅导、处理图片、处理视频，况且把通盘这些任务融合在一个框架里，生成时辰上连贯的像素蒙版。X2SAM恰是为了填补这个空白而生。

---

二、X2SAM明慧什么？一场掩饰14种任务的"全科体检"

为了让读者有直不雅感受，不错把X2SAM想象成一位具备"全科才能"的视觉助手，它能禁受各式神色的指示，然后在图片或视频上精确地圈出你热心的本色。

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能来涌现。在图片维度，它不错作念通用分割（把图里通盘东谈主、车、树都分类圈出来）、盛开词汇分割（圈出狂放你说出名字的东西，包括它从没专诚检会过的类别）、指代分割（凭据"左边阿谁穿红衣着的东谈主"这么的刻画圈出看法）、推理分割（凭据"能用来倒进玻璃杯里的东西"这么需要推断的刻画找到看法）、接地对话生成（一边刻画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，它在看法图里找到对应物体并圈出来）。

在视频维度，这七种才能全部对应地延长过来，而且因为视频是相接的帧序列，每种才能还需要独特处理时辰上的连贯性——也即是说，第一帧圈出来的那只猫，在后续几十帧里也要被精确地握续跟踪。

规画团队还专诚提议了一项新任务：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看法，系统需要自动跟踪这个看法，在通盘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，规画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，并以此开发了V-VGD基准测试体系。

---

三、X2SAM是怎样责任的？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涌现，每个部件各司其职，却又紧密合营。

第一个部件是"全局视觉涌现大脑"，由视觉编码器和大语言模子构成。规画团队给与了Qwen3-VL-4B手脚这个部件的基础，这是一个同期能看图和涌现语言的预检会模子。它肃穆把输入的图片或视频改造成模子能涌现的语义暗意，就像把一幅画翻译成一段正式的翰墨刻画一样。当你给出一条指示——不管是"圈出左边阿谁拿雨伞的东谈主"，如故"找出视频里老是靠着白墙走来走去的阿谁东谈主"——这个大脑肃穆读懂你的意图，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"。这个指示信号即是所谓的"SEG潜在镶嵌"，不错把它涌现为一张含有目口号义信息的"寻找令"。

第二个部件是"精采像素特征索要器"，也即是蒙版编码器，它来自SAM2的架构。与大语言模子处理的"粗粒度"语义不同，蒙版编码器专诚索要图像的高分辨率、细粒度特征——边际、纹理、局部体式这些信息。它就像一台高倍放大镜，专诚盯着像素层面的细节，确保最终身成的蒙版边际填塞精确。

第三个部件是"蒙版解码器"，肃穆把"寻找令"和像素特征合并，生成最终的二值蒙版（即每个像素属于看法如故布景的判断）。规画团队在这里作念了一项要津的雠校：引入了"Token-to-Image Attention"（词元到图像留神力）机制。平庸地说，这个机制让语言模子产生的"寻找令"或者平直与空间像素特征"对话"，而不是只是手脚一个外部条款附加进来。这么作念的后果是让语义信息和空间信息深度会通，生成的蒙版不仅体式准确，而且语义对王人更好。为了让这个新机制不温情早期检会的雄厚性，规画团队给与了"零发轫化"计谋，也即是说在检会最发轫时这个机制的影响权重为零，跟着检会鼓舞再缓缓阐扬作用——这就像新职工入职时先不雅察、再缓缓参与，而不是第一天就大刀阔斧地改进程。

第四个部件是本规画最中枢的翻新之一：蒙版记念模块。这个模块专诚贬责视频处理中的时辰连贯性问题。处理视频的挑战在于，视频是一帧一帧的，而且相邻帧之间的本色变化可能很奥妙，也可能很剧烈。若是每一帧都孤独处理，生成的蒙版时常会"抖动"——前一帧把东谈主圈准了，后一帧蒙版倏得偏移，看起来像是在精明，极不雄厚。

蒙版记念模块的责任进程分四步进行，酿成一个轮回。当处理视频的某一帧时，它起先通过"记念留神力"机制追想仍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会通，生成时辰上连贯的视觉暗意。接着，蒙版解码器期骗这个经过时辰加权的暗意生成现时帧的蒙版。蒙版生成后，"记念编码器"把现时帧的视觉特征和蒙版展望扫尾合并，压缩成一个"素养视觉特征"存入记念库。记念库给与先进先出（FIFO）的计谋料理存储空间——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。这就像一个东谈主在看相接剧时，脑子里会自动保留最近几集的情节来匡助涌现现时剧情，而不会无铁心地记着每一集的每一个细节。

消融本质（即逐项考据各个组件后果的本质）浮现，只加入单法子的浮浅记念特征普及有限，而加入蒙版素养和类别素养信息、以及多法子特征后，视频指代分割的J&F估量打算从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，让记念模块"记着的不单是画面，还有之前圈出来的蒙版体式和语义类别"，才是时辰连贯性的信得过要津所在。

此外，规画团队还想象了一个"区域采样器"，用于处理视觉辅导（即用户用鼠标在画面上点击或框选的区域）。它的责任旨趣是在用户指定的感兴味区域内进行点采样，然后通过自得当池化积累成紧凑的区域级暗意，注入到大语言模子中，让模子知谈"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是怎样检会出来的？一套用心想象的"合股检会食谱"

检会一个同期处理图片和视频、掩饰14种任务的模子，靠近的最大挑战之一是计较资源料理。图片和视频的内存奢侈各异极大——一个视频片断可能包含8帧致使更多，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一王人检会，要么内存爆炸，要么效用极低。

规画团队的检会分两个阶段进行。第一阶段叫作念"无类别分割器检会"，目的是让蒙版解码器在斗争任何语言指示之前，先学会隧谈的体式和领域感知才能。检会数据使用SAM的SA-1B数据齐集的蒙版标注，真钱三公app十足不波及任何类别标签，让解码器只关注"这个区域的概述是什么样的"。这一步就像在教一个画家先练好素描基础，再谈色协调本色。消融本质标明，使用SAM齐备的1B数据集（而非子集或COCO数据集）检会这个阶段，能在险些通盘后续任务上都获取更好的后果。

第二阶段是中枢的"融合合股检会"，在图片和视频的羼杂数据上同期检会通盘14种任务。为了贬责图片和视频内存奢侈不合称的问题，规画团队想象了一套"维度改造活水线"：关于视频输入，将时辰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张孤独的图片，用销毁套图片级接口通过蒙版编码器处理，然后通过蒙版记念模块串联起时辰依赖联系，终末再把T帧的蒙版沿时辰维度拼接追想。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，大大裁减了工程复杂度。

批次料理上，视频数据的每开发批次大小固定为1，图片数据则通过批次乘数推广为4倍，从而在调换的内存预算下让图片数据的GPU期骗率更高。梯度累积计谋也凭据模态分开建立：图片每步更新一次，视频则累积多步后再更新，进一步均衡内存与检会雄厚性。此外，一个专诚想象的"时辰感知采样器"把时辰长度调换的视频片断分到销毁批次，幸免毋庸要的填充。

最终，融合合股检会仅需约3300 GPU小时，而对照本质中的"浮浅合股检会"需要约5200 GPU小时——检朴了约36.5%的检会资本，同期在视频任务上还获取了更好的性能。

---

五、X2SAM的本质收成单：在哪些地方阐发杰出？

规画团队在大宗基准测试上对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与相同基于图片的通用模子X-SAM比较总体保握竞争力。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考据集cIoU 81.9，创下新的最优收成）上阐发稳健。极端值得留神的是，在图片盛开词汇分割任务上，X2SAM获取了31.2 PQ，显然高于X-SAM的20.9 PQ，阐明X2SAM的语言涌现才能带来了更强的泛化才能。在推理分割任务上，X2SAM以64.5 cIoU和71.1 gIoU的收成卓越了HyperSeg（分手越过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获取了那时最优收成。

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数据集上获取了78.5 J&F，在Ref-DV17数据集上获取了79.0 J&F，卓越了此前最初的UniPixel-7B分手7.5和2.6个百分点。在视频推理分割方面，X2SAM在ReVOS数据集上获取了69.9 J&F，比HyperSeg越过14.2个百分点，致使卓越了专诚针对视频指代任务想象的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越过21.5个百分点，差距额外权贵。

在视觉接地分割任务上，X2SAM在图片端与专用图片模子X-SAM额外（COCO点辅导AP 45.9，框辅导AP 48.5），在视频端则大幅卓越了SAM2-H。具体来说，在YT-VIS19数据集的框辅导建立下，X2SAM获取了74.4 AP，而SAM2-H仅为54.0 AP；在更复杂的VIPSeg数据集上，X2SAM获取了57.8 AP，SAM2-H仅为40.4 AP。这一差距充分阐明，迎面对需要语言涌现和时辰跟踪双重才能的任务时，隧谈依赖初级视觉辅导的SAM2存在显然短板。

在域外泛化测试（即用从未见过的数据集测试）中，X2SAM在gRefCOCO（包含多看法和无看法抒发式的泛化指代分割数据集）上卓越了专用的非MLLM模子ReLA，也卓越了PSALM和X-SAM等MLLM通用模子。在ADE20K的盛开词汇分割测试中，X2SAM获取了31.2 PQ、38.2 mIoU和20.2 mAP，全面卓越ODISE和X-SAM等对比法子。

此外，X2SAM还保留了出色的图片和视频对话才能，在MMBench、SEED-Bench等图片对话基准测试上获取了83.5和76.0的收成，在VideoMME、MVBench、MLVU、LongVideoBench等视频对话基准测试上也阐发优异，卓越了Video-LLaVA、VideoChat2、VILA-1.5等专注对话的模子。这阐明在为模子加入精采分割才能时，团队有用地退缩了模子的通用对话才能退化。

---

六、X2SAM当今还有哪些不及和异日场合？

任何规画都有其领域，X2SAM也不例外。规画团队在论文中坦诚地指出了三点局限性。

第一，跨模态的融合检会仍然计较支出较大，尤其是视频数据的内存占用问题，即便有了现存的优化计谋，检会资本依然不低，这关于资源有限的规画团队来说是一个门槛。

第二，固定大小的FIFO记念库关于超长视频来说可才能不从心。若是看法在视频中阅历了永劫辰遮拦、剧烈外不雅变化，或者消逝很久后又再行出现，有限容量的记念模块可能无法有用保存要津的历史信息，导致跟踪失败。

第三，手脚一个通用模子，X2SAM在某些高度专诚化的单一任务上仍然逾期于专用模子——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采用。

规画团队暗意，异日责任将探索更高效的检会法子、更轻量的主干收罗，以及自得当的永劫程记念机制，以期在可推广性和鲁棒性上进一步普及。

---

归根结底，X2SAM这项责任的中枢价值在于阐明了一件事：让AI同期看懂图片和视频、同期禁受语言和视觉辅导、同期处理从通用分类到复杂推理的各式任务，并不需要七八套孤独的系统免强在一王人——一个融合的框架，加上用心想象的记念机制和检会计谋，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显然的代价，在好多任务上反而因为跨任务的常识分享而有所增益。

对往常用户而言，这意味着异日的AI视觉助手可能会变得愈加万能——你不错平直对着监控视频说"帮我跟踪阿谁红色背包的东谈主"，或者对着一段家庭视频说"把两个孩子分手圈出来并标注他们的开通轨迹"，系统会当然地涌现你的意图并生成精确的时辰连贯蒙版，而不需要你先选模子、再选任务、再分手操作。

虽然，从规画原型到日常可用的居品，还有额外长的路要走，但X2SAM的出现标明这条路的场合是廓清的。有兴味久了了解技能细节的读者，不错通过arXiv编号2605.00891查阅齐备论文，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，为什么抵抗直用SAM2？

A：SAM2是一个优秀的分割器具，但它只执意鼠标点击和方框这类"物理辅导"，十足不睬解语言。你没法跟SAM2说"圈出视频里一直在白墙旁往返的东谈主"，它听不懂。X2SAM在SAM2的基础上加入了大语言模子，能涌现复杂的翰墨刻画致使需要推理的指示，同期通过蒙版记念模块保握视频中的时辰连贯性。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编著助手。

Q2：X2SAM的蒙版记念模块是怎样保证视频中看法不丢失的？

A：蒙版记念模块爱戴着一个"出动记念库"，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，系统会先追想这些历史纪录，把历史信息与现时帧会通，生成时辰上连贯的特征，再据此生成蒙版。处理完后，现时帧的信息又被存入记念库，最旧的帧被自动丢弃。这种"上前看历史、向后传气象"的机制有用幸免了逐帧孤独处理时产生的蒙版抖动和看法丢失问题。

Q3：X2SAM需要若干GPU才能检会，往成例画团队能用吗？

A：X2SAM的齐备检会在32块NVIDIA H800 GPU上进行，融合合股检会阶段算计约奢侈3300 GPU小时。这对大多数高校本质室来说如实是不小的门槛。不外规画团队仍是开源了代码和模子权重，往成例画东谈主员不错平直使用预检会好的模子进行推理或在极少据集上微调真钱三公app2026世界杯中国官方下载，不需要重新复现齐备检会进程。

赛马投注中国app官方版下载