💡 站外导读：随着多模态AI的爆发，计算机视觉领域正经历从“识别”到“精准交互式分割”的范式跃迁。开发者和创作者面临的核心痛点在于：现有工具难以统一处理图像与视频、无法理解自然语言指令、且对未知物体束手无策。Meta SAM 3的开源，正为解决这一系列挑战提供了统一、强大且开放的解决方案。

SAM 3（Segment Anything Model 3）是 Meta AI 最新推出的先进计算机视觉模型，能通过文本、示例和视觉提示检测、分割和跟踪图像及视频中的对象。模型支持开放词汇的短语输入，具备强大的跨模态交互能力，可实时修正分割结果。SAM 3 在图像和视频分割任务中性能卓越，是现有系统的两倍，且支持零样本学习。模型扩展到 3D 重建领域，助力家居预览、创意视频编辑和科学研究等多场景应用，为计算机视觉的未来发展提供强大动力。

SAM 3的主要功能

• 多模态提示支持：SAM 3 支持通过文本、示例和视觉提示（如点击、框选）检测和分割图像及视频中的对象，适应多种用户需求。

• 图像和视频分割：SAM 3 能在图像中检测和分割所有匹配对象，支持在视频中跟踪对象，且能实时交互性修正分割结果。

• 零样本学习：SAM 3 能通过开放词汇的文本提示处理未见过的概念，无需额外训练即可分割新对象类别。

• 实时交互性：支持用户通过添加额外的提示（如点击或框选）修正模型的错误，进一步优化分割结果，提升用户体验。

• 跨领域应用：SAM 3 广泛应用在创意媒体工具（如 Instagram Edits）、家居装饰预览（如 Facebook Marketplace）和科学领域（如野生动物监测）。

SAM 3的技术原理

• 统一模型架构：SAM 3 基于统一的模型架构，同时支持图像和视频中的分割任务。模型结合强大的视觉编码器（如 Meta Perception Encoder）和文本编码器，能处理开放词汇的文本提示。模型架构包括一个图像级检测器和一个基于记忆的视频跟踪器，两者共享同一个视觉编码器。
• 多模态输入处理：
  • 文本编码器：将文本提示编码为特征向量，用于指导分割任务。
  • 视觉编码器：将图像或视频帧编码为特征向量，用于检测和分割对象。
  • 融合编码器：将文本和视觉特征融合，生成条件化的图像特征，用于后续的分割任务。
• 存在头（Presence Head）：为提高模型的分类能力，SAM 3 引入一个存在头（Presence Head），专门用在预测目标概念是否存在于图像或视频中。有助于将识别和定位任务解耦，提高模型的准确性和效率。
• 大规模数据引擎：为训练 SAM 3，Meta 构建了高效的数据引擎，结合人类标注和 AI 辅助标注，生成超过 400 万个独特概念的高质量标注数据。数据覆盖多种视觉领域和任务，确保模型具有广泛的泛化能力。
• 零样本学习：SAM 3 支持零样本学习，能处理未见过的概念。通过开放词汇的文本提示，模型用预训练的视觉和语言编码器识别和分割新的对象类别。
• 实时交互性：SAM 3 支持实时交互性，用户能通过添加额外的提示（如点击或框选）修正模型的错误，进一步优化分割结果。交互性使模型能更好地适应用户的意图。
• 视频跟踪和分割：在视频任务中，SAM 3 用基于记忆的跟踪器处理对象的时空一致性。跟踪器用检测器的输出和记忆中的历史信息，生成高质量的分割掩码，在视频帧之间传播掩码。

SAM 3的项目地址

• 项目官网：https://ai.meta.com/sam3/
• GitHub仓库：https://github.com/facebookresearch/sam3/
• 在线体验Demo：https://www.aidemos.meta.com/segment-anything

SAM 3的应用场景

• 创意媒体工具：创作者能快速为视频中的人物或物体应用特效，提升创作效率。

• 家居装饰预览：在 Facebook Marketplace 中，SAM 3 支持“房间预览”功能，用户能预览家居装饰品在自己空间中的效果，辅助购买决策。

• 科学应用：SAM 3 用在野生动物监测和海洋探索，帮助研究人员更好地理解和保护自然环境，例如通过视频分析野生动物行为。

• 3D 重建：SAM 3D 能从单张图像重建 3D 物体和人体，为物理世界场景中的 3D 重建提供新标准，助力虚拟现实和增强现实应用。

• 视频创作：SAM 3 提供 AI 视觉创作工具，支持对现有 AI 生成视频进行混剪，提升创作灵活性。