---
title: "ASAM – vivo公司推出的AI图像分割模型"
url: "https://paooo.com/aigc-news/27538/"
author: "Prompt 语宙研究院"
published_at: "2026-07-19T04:48:29+08:00"
updated_at: "2026-07-19T04:48:29+08:00"
categories: "AIGC 资讯"
tags: "3D与空间智能, HuggingFace, stable diffusion, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# ASAM – vivo公司推出的AI图像分割模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/27538/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-19

## AI 30 秒核心看点 (TL;DR)

- 基于SAM做对抗性微调，ASAM在不改架构的前提下提升图像分割表现。
- 借助稳定扩散生成自然对抗样本，兼顾照片级真实感与掩模对齐。
- 可用于医学影像、自动驾驶、机器人视觉与AR，提升复杂场景分割精度。

## ASAM是什么

ASAM（Adversarial Adjustment of Segment Anything Model）是vivo公司推出的AI图像分割模型，通过对抗性调整来增强原有SAM模型的性能。ASAM用自然对抗性示例，通过稳定的扩散模型增强数据集，生成能代表自然变化的对抗性实例。这些实例保持照片级真实感，与原始掩模注释对齐，确保了分割任务的完整性。

## ASAM的主要功能

- **提升能力**：ASAM让原本的SAM模型在图像分割任务上做得更好。

- **不用改变**：不需要改变模型的基本结构，就像给汽车换个新轮胎，但车身不变。

- **增加挑战**：通过添加一些特殊的图像（对抗性样本），模型学会在更多不同的情况下工作。

- **更真实**：这些特殊的图像看起来和真的一样，模型学习得更贴近现实。

- **不用新数据**：不需要额外的图片或数据，就像用旧书复习，也能学到新知识。

- **全面提高**：在多种不同的图像分割任务上，ASAM能让模型表现得更出色。

## ASAM的技术原理

- **对抗性训练**：ASAM利用对抗性训练的概念，通过向模型输入精心设计的扰动来提高模型泛化能力的方法。

- **自然对抗性示例**：ASAM特别关注自然对抗性示例，示例在视觉上与正常样本相似，在模型的决策边界附近。

- **稳定扩散模型**：ASAM使用稳定扩散模型来增强SA-1B数据集的一个子集，生成对抗性实例。这种方法能在保持图像质量的同时，引入细微的扰动。

- **照片级真实感**：生成的对抗性样本需要保持与原始图像相同的视觉真实性，这样在训练过程中，模型就不会因为不真实的样本而学习到错误的特征。

- **掩模注释对齐**：对抗性样本需要与原始的掩模注释保持对齐，确保在分割任务中，模型能够正确地识别和分割目标对象。

- **微调过程**：ASAM通过用这些对抗性样本对原有的SAM模型进行微调，在不改变原始架构的前提下提高模型性能。

## ASAM的项目地址

- 
**GitHub****仓库**：[https://github.com/luckybird1994/ASAM](https://github.com/luckybird1994/ASAM)

- 
**Hugging Face模型库**：[https://huggingface.co/spaces/xhk/ASAM](https://huggingface.co/spaces/xhk/ASAM)

- 
**arXiv****技术论文**：[https://arxiv.org/pdf/2405.00256](https://arxiv.org/pdf/2405.00256)

## ASAM的应用场景

- **医学图像分析**：在医学领域，ASAM可以用于提高医学图像分割的准确性，辅助医生进行疾病诊断和治疗规划。

- **自动驾驶汽车**：在自动驾驶技术中，ASAM可用于提高道路和物体的分割精度，增强车辆对周围环境的理解能力。

- **机器人视觉**：在机器人技术中，ASAM可以帮助机器人更好地理解其工作环境，进行精确的物体识别和操作。

- **增强现实（AR）**：在AR应用中，ASAM可以提升虚拟对象与现实世界融合的自然度，提供更加沉浸式的体验。

## 常见问题解答 (FAQ)

### ASAM和SAM有什么区别？
ASAM是在原始SAM基础上加入对抗性调整的分割模型，核心不是重做架构，而是用自然对抗样本对SAM进行微调，从而提升其在多种图像分割任务中的泛化能力和表现。

### ASAM为什么不需要额外数据？
ASAM通过稳定扩散模型增强SA-1B数据集的子集，生成与原图对齐的自然对抗性实例，因此可以在不额外收集新数据的情况下，利用已有数据提升模型效果。

### ASAM适合哪些应用场景？
ASAM适合需要高精度分割的场景，包括医学图像分析、自动驾驶、机器人视觉和增强现实。它的优势在于能在复杂环境下保持较好的分割稳定性与真实感。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
