这项由中山大学、鹏城履行室与好意思团合股开展的辩论，以预印本阵势于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，东说念主们早已风俗了用AI来识别像片里的猫咪、帮像片中的东说念主物换个配景，或者给视频打上自动字幕。然则，当你着实去看这些AI的"眼睛"时，会发现一件有些奇怪的事——大多数利弊的AI要么只会"看图谈话"，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，更别说同期应答图片和视频了。

这恰是这项辩论要科罚的问题。辩论团队开发了一个名为X2SAM的系统。这个名字里的"X2"不错意会为"落拓到落拓"——落拓的指示，对应落拓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，且二者共用归并套大脑。

---

一、为什么咱们需要一个"万能选手"？

在AI视觉范围，有一类相等伏击的任务叫作念"图像分割"——平凡地说，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"、"哪些像素属于配景"。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感情，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。一类是相当生成高质地像素级蒙版的"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，它只意志鼠标点击、方框之类的"物理手势"，皆备不懂语言。你不可跟它说"帮我把视频里那只一直在白墙旁往返往还的东说念主圈出来"——它根柢听不懂。

另一类是多模态大语言模子（不错把它意会为"能看图的ChatGPT"），比如LLaVA、Qwen-VL等。这类模子语言意会才略极强，你说什么它都能听懂，但它的输出是笔墨，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"式的辩论试图把二者合并，比如LISA、GLaMM等，它们让语言模子去驱动分割模子，达成"用语言形色、用像素呈现"的恶果。然则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，却不因循视觉辅导（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"）。

着实的痛点就在这里：莫得一个模子能同期作念到——意会复杂语言指示、禁受鼠标框选之类的视觉辅导、处理图片、处理视频，况兼把通盘这些任务和谐在一个框架里，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颖异什么？一场隐敝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"全科才略"的视觉助手，它能禁受多样阵势的指示，然后在图片或视频上精确地圈出你宽恕的实质。

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略来意会。在图片维度，它不错作念通用分割（把图里通盘东说念主、车、树都分类圈出来）、通达词汇分割（圈出落拓你说出名字的东西，包括它从没相当磨砺过的类别）、指代分割（左证"左边阿谁穿红衣裳的东说念主"这么的形色圈出见地）、推理分割（左证"能用来倒进玻璃杯里的东西"这么需要料到的形色找到见地）、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，这七种才略全部对应地蔓延过来，而且因为视频是连结的帧序列，每种才略还需要额外处理时期上的连贯性——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捏续跟踪。

辩论团队还相当提议了一项新任务：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，辩论团队从两个已有的视频数据集（YT-VIS19和VIPSeg）起程，构建了YT19-VGD和VIPSeg-VGD两个新数据集，并以此开荒了V-VGD基准测试体系。

---

三、X2SAM是如何责任的？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意会，每个部件各司其职，却又紧密合作。

第一个部件是"全局视觉意会大脑"，由视觉编码器和大语言模子构成。辩论团队选拔了Qwen3-VL-4B手脚这个部件的基础，这是一个同期能看图和意会语言的预磨砺模子。它正经把输入的图片或视频蜕变成模子能意会的语义暗示，就像把一幅画翻译成一段详细的笔墨形色一样。当你给出一条指示——岂论是"圈出左边阿谁拿雨伞的东说念主"，如故"找出视频里老是靠着白墙走来走去的阿谁东说念主"——这个大脑正经读懂你的意图，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"，不错把它意会为一张含有目口号义信息的"寻找令"。

第二个部件是"良好像素特征索要器"，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，蒙版编码器相当索要图像的高分辨率、细粒度特征——边际、纹理、局部阵势这些信息。它就像一台高倍放大镜，相当盯着像素层面的细节，确保最终身成的蒙版边际阔气精确。

第三个部件是"蒙版解码器"，正经把"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如故配景的判断）。辩论团队在这里作念了一项关节的改良：引入了"Token-to-Image Attention"（词元到图像精明力）机制。平凡地说，这个机制让语言模子产生的"寻找令"大概径直与空间像素特征"对话"，而不是只是手脚一个外部要求附加进来。这么作念的恶果是让语义信息和空间信息深度和会，生成的蒙版不仅阵势准确，而且语义对皆更好。为了让这个新机制不窒碍早期磨砺的相识性，辩论团队选拔了"零开动化"计策，也即是说在磨砺最动手时这个机制的影响权重为零，跟着磨砺推动再平安阐扬作用——这就像新职工入职时先不雅察、再平安参与，而不是第一天就大刀阔斧地改经由。

第四个部件是本辩论最中枢的立异之一：蒙版挂牵模块。这个模块相当科罚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质变化可能很玄妙，也可能很剧烈。若是每一帧都寂然处理，生成的蒙版通常会"抖动"——前一帧把东说念主圈准了，后一帧蒙版一忽儿偏移，看起来像是在精通，极不相识。

蒙版挂牵模块的责任经由分四步进行，造成一个轮回。当处理视频的某一帧时，它来源通过"挂牵精明力"机制回想照旧处理过的历史帧的视觉特征，将历史信息与面前帧的视觉特征和会，生成时期上连贯的视觉暗示。接着，蒙版解码器诈欺这个经过时期加权的暗示生成面前帧的蒙版。蒙版生成后，"挂牵编码器"把面前帧的视觉特征和蒙版量度扫尾合并，压缩成一个"指挥视觉特征"存入挂牵库。挂牵库选拔先进先出（FIFO）的计策连续存储空间——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连结剧时，脑子里会自动保留最近几集的情节来匡助意会面前剧情，而不会无适度地记取每一集的每一个细节。

消融履行（即逐项考据各个组件恶果的履行）清楚，只加入单要领的浅易挂牵特征提高有限，而加入蒙版指挥和类别指挥信息、以及多要领特征后，视频指代分割的J&F目的从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，让挂牵模块"记取的不单是画面，还有之前圈出来的蒙版阵势和语义类别"，才是时期连贯性的着实关节所在。

此外，辩论团队还遐想了一个"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，然后通过自合适池化集中成紧凑的区域级暗示，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是如何磨砺出来的？一套用心遐想的"合股磨砺食谱"

磨砺一个同期处理图片和视频、隐敝14种任务的模子，濒临的最大挑战之一是计算资源连续。图片和视频的内存破费互异极大——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。若是浅易地把图片和视频混在一齐磨砺，要么内存爆炸，要么效力极低。

辩论团队的磨砺分两个阶段进行。第一阶段叫作念"无类别分割器磨砺"，目的是让蒙版解码器在战役任何语言指示之前，先学会隧说念的阵势和领域感知才略。磨砺数据使用SAM的SA-1B数据皆集的蒙版标注，投注平台app中国官网下载皆备不波及任何类别标签，让解码器只关注"这个区域的笼统是什么样的"。这一步就像在教一个画家先练好素描基础，再谈颜色和实质。消融履行标明，使用SAM齐备的1B数据集（而非子集或COCO数据集）磨砺这个阶段，能在险些通盘后续任务上都获得更好的恶果。

第二阶段是中枢的"和谐合股磨砺"，在图片和视频的混杂数据上同期磨砺通盘14种任务。为了科罚图片和视频内存破费分歧称的问题，辩论团队遐想了一套"维度蜕变活水线"：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张寂然的图片，用归并套图片级接口通过蒙版编码器处理，然后通过蒙版挂牵模块串联起时期依赖相干，终末再把T帧的蒙版沿时期维度拼接回想。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，大大缩短了工程复杂度。

批次连续上，视频数据的每设备批次大小固定为1，图片数据则通过批次乘数彭胀为4倍，从而在交流的内存预算下让图片数据的GPU诈欺率更高。梯度积存计策也左证模态分开设置：图片每步更新一次，视频则积存多步后再更新，进一步均衡内存与磨砺相识性。此外，一个相当遐想的"时期感知采样器"把时期长度交流的视频片断分到归并批次，幸免不消要的填充。

最终，和谐合股磨砺仅需约3300 GPU小时，而对照履行中的"浅易合股磨砺"需要约5200 GPU小时——检朴了约36.5%的磨砺老本，同期在视频任务上还获得了更好的性能。

---

五、X2SAM的履行收成单：在哪些地方阐扬杰出？

辩论团队在多数基准测试上对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比较总体保捏竞争力。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）上阐扬得当。绝顶值得精明的是，在图片通达词汇分割任务上，X2SAM获得了31.2 PQ，明显高于X-SAM的20.9 PQ，证实X2SAM的语言意会才略带来了更强的泛化才略。在推理分割任务上，X2SAM以64.5 cIoU和71.1 gIoU的收成额外了HyperSeg（区分跨越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得了那时最优收成。

在视频分割任务上，X2SAM的上风更为权臣。在视频指代分割任务中，X2SAM在Ref-YT21数据集上获得了78.5 J&F，在Ref-DV17数据集上获得了79.0 J&F，额外了此前最初的UniPixel-7B区分7.5和2.6个百分点。在视频推理分割方面，X2SAM在ReVOS数据集上获得了69.9 J&F，比HyperSeg跨越14.2个百分点，以至额外了相当针对视频指代任务遐想的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跨越21.5个百分点，差距十分权臣。

在视觉接地分割任务上，X2SAM在图片端与专用图片模子X-SAM十分（COCO点辅导AP 45.9，框辅导AP 48.5），在视频端则大幅额外了SAM2-H。具体来说，在YT-VIS19数据集的框辅导设置下，X2SAM获得了74.4 AP，而SAM2-H仅为54.0 AP；在更复杂的VIPSeg数据集上，X2SAM获得了57.8 AP，SAM2-H仅为40.4 AP。这一差距充分证实，迎面对需要语言意会和时期跟踪双重才略的任务时，隧说念依赖初级视觉辅导的SAM2存在明显短板。

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）上额外了专用的非MLLM模子ReLA，也额外了PSALM和X-SAM等MLLM通用模子。在ADE20K的通达词汇分割测试中，X2SAM获得了31.2 PQ、38.2 mIoU和20.2 mAP，全面额外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略，在MMBench、SEED-Bench等图片对话基准测试上获得了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扬优异，额外了Video-LLaVA、VideoChat2、VILA-1.5等专注对话的模子。这证实在为模子加入良好分割才略时，团队灵验地拒接了模子的通用对话才略退化。

---

六、X2SAM当今还有哪些不及和翌日处所？

任何辩论都有其领域，X2SAM也不例外。辩论团队在论文中坦诚地指出了三点局限性。

第一，跨模态的和谐磨砺仍然计算支出较大，尤其是视频数据的内存占用问题，即便有了现存的优化计策，磨砺老本依然不低，这关于资源有限的辩论团队来说是一个门槛。

第二，固定大小的FIFO挂牵库关于超长视频来说可才略不从心。若是见地在视频中资格了永劫期遮拦、剧烈外不雅变化，或者隐藏很久后又从新出现，有限容量的挂牵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，手脚一个通用模子，X2SAM在某些高度相当化的单一任务上仍然过期于专用模子——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灭的权衡选定。

辩论团队暗示，翌日责任将探索更高效的磨砺法子、更轻量的主干收罗，以及自合适的永劫程挂牵机制，以期在可彭胀性和鲁棒性上进一步提高。

---

归根结底，X2SAM这项责任的中枢价值在于评释了一件事：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多样任务，并不需要七八套寂然的系统对付在一齐——一个和谐的框架，加上用心遐想的挂牵机制和磨砺计策，就不错作念到。这种"大一统"的念念路，不仅在工程上更整洁，在性能上也莫得付出明显的代价，在许多任务上反而因为跨任务的学问分享而有所增益。

对日常用户而言，这意味着翌日的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"把两个孩子区分圈出来并标注他们的默契轨迹"，系统会当然地意会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、再区分操作。

诚然，从辩论原型到日常可用的家具，还有十分长的路要走，但X2SAM的出现标明这条路的处所是清晰的。有兴味深切了解时期细节的读者，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，为什么不径直用SAM2？

A：SAM2是一个优秀的分割器具，但它只意志鼠标点击和方框这类"物理辅导"，皆备不睬解语言。你没法跟SAM2说"圈出视频里一直在白墙旁往还的东说念主"，它听不懂。X2SAM在SAM2的基础上加入了大语言模子，能意会复杂的笔墨形色以至需要推理的指示，同期通过蒙版挂牵模块保捏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的蒙版挂牵模块是如何保证视频中见地不丢失的？

A：蒙版挂牵模块调度着一个"转化挂牵库"，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，系统会先回想这些历史纪录，把历史信息与面前帧和会，生成时期上连贯的特征，再据此生成蒙版。处理完后，面前帧的信息又被存入挂牵库，最旧的帧被自动丢弃。这种"上前看历史、向后传景况"的机制灵验幸免了逐帧寂然处理时产生的蒙版抖动和见地丢失问题。

Q3：X2SAM需要些许GPU才略磨砺，日常辩论团队能用吗？

A：X2SAM的齐备磨砺在32块NVIDIA H800 GPU上进行(中国)真钱投注平台app官方下载，和谐合股磨砺阶段认为约破费3300 GPU小时。这对大多数高校履行室来说确乎是不小的门槛。不外辩论团队照旧开源了代码和模子权重，日常辩论东说念主员不错径直使用预磨砺好的模子进行推理或在少许据集上微调，不需要重新复现齐备磨砺经由。