SAMM：基于Segment Anything Model 2的通用材料显微图像分割模型

背景：在材料科学中，微观结构的定量分析对于建立工艺-结构-性能关系至关重要，但传统方法效率低且主观性强，现有深度学习模型则普遍存在泛化能力不足的问题。研究目的：为克服这一挑战，本研究旨在开发一种能够适应多种材料体系和成像条件的通用材料显微图像分割模型。结论：研究提出了基于Segment Anything Model 2（SAM2）的通用分割模型SAMM，通过全参数微调、跨尺度特征融合和混合损失函数优化，在包含13种材料的大规模数据集上实现了高精度分割，并在未见数据集上展现出卓越的零样本泛化能力，为材料微观结构分析提供了强大的通用工具。