SAM+D: Depth-Routed LoRA와 Depth Shifting을 통한 SAM 계열 모델의 파라미터 효율적 차원 확장
SAM+D: Parameter-Efficient Dimensional Lifting of SAM-Family Models via Depth-Routed LoRA and Depth Shifting
TL;DR AI
2분핵심 요약
연구진이 SAM과 SAM2를 3D·4D 분할에 맞게 확장하는 파라미터 효율적 미세조정 프레임워크 SAM+D를 공개했다.
SAM+D는 깊이 라우팅 LoRA 전문가와 depth shift 모듈을 사용해 슬라이스·시간축 정보를 공유하면서 대부분의 사전학습 가중치는 고정한다.
이 방법은 KiTS, Pancreas, LiTS, Colon 같은 3D CT 벤치마크와 Fluo-N3DH-SIM+, CTC 4D 데이터에서 단일 포인트 프롬프트만으로 기존 기법과 비슷하거나 더 나은 성능을 냈다.
큰 분할 모델을 구조를 크게 바꾸거나 전면 재학습하지 않고도 체적·시공간 데이터에 적용할 수 있음을 보여주며, 계산량과 파라미터 비용을 줄인다.