本研究探讨了Segment Anything模型在增材制造组件检测中的应用及局限性，提出通过Conv-LoRa微调策略和生成对抗网络（GAN）生成数据以提升训练效果，结果表明定制化分割模型对精确检测至关重要。

本文提出了Mamba引导的Segment Anything模型(SAM-Mamba)，有效解决了结肠镜下息肉分割问题，显著提升了分割准确性，适用于临床实时应用。

本文提出了一种低秩自适应专家组合（MoE-LoRA）方法，旨在提升Segment Anything模型在多模态语义分割中的表现。通过训练MoE-LoRA层并固定SAM权重，该方法在多个基准测试中超越现有技术，尤其在缺失模态时效果显著提升。

本研究提出一种新方法，结合3D高斯点云重建与Segment Anything模型，通过无人机成像提高油菜生物量估计的准确性，从而提升农作物生产力和育种效率。

本研究提出了一种新的预训练方法，通过使用Segment Anything模型生成分割提案，并结合类别增强微调策略，提升可驾区域检测性能。在KITTI道路数据集上的实验结果优于传统方法，具有实际应用价值。