摘要
伪装目标检测（COD）方法严重依赖于像素级标注的数据集。弱监督伪装目标检测（WSCOD）方法通过使用稀疏注释（如涂鸦或点）来减少标注工作量，但这可能导致精度下降。Segment Anything Model（SAM）在使用类似点的稀疏提示时表现出显著的分割能力。然而，手动提示并不总是可行的，因为在实际应用中可能无法获得这些提示。此外，它仅提供定位信息而非语义信息，这本质上会导致对目标解释的模糊性。在本研究中，我们的目标是消除对手动提示的需求。核心思想是利用跨模态思维链提示（CCTP），通过通用文本提示提供的语义信息来推理视觉提示。为此，我们引入了一种称为可泛化SAM（GenSAM）的测试时逐例适应机制，以自动生成和优化适用于WSCOD的视觉提示。具体而言，CCTP 使用视觉-语言模型将单个通用文本提示映射到图像特定的前景和背景热图上，从而获取可靠的视觉提示。此外，为了在测试时适应视觉提示，我们进一步提出了渐进式掩码生成（PMG）方法，通过迭代地重新加权输入图像，引导模型以从粗到细的方式关注目标。至关重要的是，所有网络参数都是固定的，避免了额外训练的需求。实验结果表明了GenSAM的优势。在三个基准数据集上的实验表明，GenSAM不仅优于点监督方法，而且在仅依赖通用任务描述作为提示的情况下，其性能与涂鸦监督方法相当。我们的代码位于：https://lwpyh.github.io/GenSAM/。